虽然逻辑回归分类器用于二元类别分类，但 softmax 分类器是一种监督学习算法，主要用于涉及多个类别的情况。Softmax 分类器通过为每个类别分配概率分布来工作。概率最高的类别的概率分布被归一化为 1，所有其他 […]

为了构建一个能够准确对数据样本进行分类并在测试数据上表现良好的分类器，您需要以一种能够使模型良好收敛的方式初始化权重。通常，我们会随机化权重。但是，当我们将均方误差 (MSE) 用作训练逻辑回归模型的损失时，我们可能会 […]

逻辑回归是一种用于建模事件概率的统计技术。它通常在机器学习中用于进行预测。当需要预测分类结果时，我们会应用逻辑回归。在 PyTorch 中，逻辑回归的构建与线性回归类似。它们都应用于线性输入。 […]

多目标多线性回归模型是一种机器学习模型，它接收单个或多个特征作为输入来做出多个预测。在我们之前的帖子中，我们讨论了如何使用多线性回归进行简单预测并生成多个输出。在这里，我们将构建模型并在数据集上进行训练。在此 […]

虽然在我们之前的几个教程中，我们处理的是单输出多线性回归，但在这里我们将探讨如何使用多线性回归进行多目标预测。复杂的神经网络结构本质上是让每个神经元单元独立执行线性回归，然后将结果传递给另一个神经元。因此，了解这种回归如何工作很重要 […]

神经网络结构由数百个神经元组成，每个神经元都接收多个输入以执行用于预测的多线性回归运算。在之前的教程中，我们构建了一个仅使用前向函数进行预测的单输出多线性回归模型。在本教程中，我们将向我们的单 […] 添加优化器。

多线性回归模型是一种监督学习算法，可用于在给定多个输入变量 x 的情况下预测目标变量 y。这是一个线性回归问题，其中使用一个以上的输入变量 x 或特征来预测目标变量 y。该算法的典型用例是 […]

训练数据是机器学习算法用来学习的数据集。它也称为训练集。验证数据是机器学习算法用来测试其准确性的数据集之一。验证算法的性能就是将其预测输出与已知的真实情况进行比较 […]

优化是一个我们试图为深度学习模型找到最佳参数集的过程。优化器生成新的参数值，并使用某些标准评估它们以确定最佳选项。作为神经网络结构的重要组成部分，优化器有助于确定最佳权重、偏差或其他超参数 […]