Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
说得太好了，把最自然的思路用准确通俗的语言展现出来❤
真实世界和理念世界的解释真的太棒了！
最小二乘法和交叉墒都其实可以通过极大似然法得到：- 在线性回归模型中，每一个对应的标签y可以假设是线性函数再叠加上一个服从期望为0的正态分布，假定每一个例子中噪声都是独立同分布的话，则通过极大似然估计，可以证明通过最小二乘法得到的模型参数，可以使估计值y最大可能的服从假定的正态分布- 在二元分类问题中，用似然估计，可以证明通过让交叉墒最小，获得的模型参数可以使得每个给定的特征向量(X), 估计的分类值尽可能等于标签值(Y)。当然也需要假设 每个例子是独立同分布的.
修正：极大似然法在求二项分布的概率时，少了系数C(10,3)，因为抛硬币，正面和反面出现的次序不重要，C(10,3)代表了不同次序的数量。不过，不影响视频最后结论，因为训练数据集确定后，这个系数是一个常数。
以前似懂非懂，看完顿时清晰了，讲的太棒了！！！
你说得太对了，每一个 大问题别人都不在意
讲得很好，很多地方的思想很有帮助
王木头讲的真好！非常清楚！我反正看完是通透了！快点更新吧我还等着看呢，是不是因为看的人太少了不更新了啊。。。
讲得太好了。
講得太好了！
讲的真的很好。
讲的真好
好频道。粉了！
必须要给个手动点赞！😁
UP主讲得太好了。不喜欢直接列公式，我也是想了解这个公式怎么来的，背后的道理是什么，如果我记不住这个公式，能不能根据学习过的理解方式重新推导出来。
通透！
赞赞赞！！！
粉了粉了！！
19:33处条件慨率P(Xi|Yi)转变为贝努力概率时候有一些费解。因为条件概率的直接计算是P(Xi n Yi)/P(Yi), 我只能理解为在Xi已知的情况下P(Yi|Xi)的概率计算可以用贝努力公式。
我明白了，这里计算的是P(Xi|Yi) ，Yi已知情况下P(Xi)的概率，毕竟是一种P(Xi)， 而不是某种情况下的 P(Yi)， 因为X只有两种情况 所以可以用贝努力公式，神经网络求出的概率Yi 可以理解为硬币为正面的理论概率，Xi是实际观察到的概率。 P(X) = Y 的X方 乘以 (1-Y)的(1-X)方
沐神的损失函数 只有 ylogy_hat ,没有+后面那项 （1-y）log（1-y_hat）
感谢上传，全是干货。不过有一点，似然函数取最大的目的并不是让其接近0.5的概率分布（换成其他分布，解释可能不成立）。而是让样本数据发生的概率最大。
Target 是数量值就用最小二乘，targrt是分类标签就用最大似然估计
极大似然应该都可以吧，至少解线性回归和logistic 回归都没问题。
损失函数是一堆samples的数值吗？
针不戳
一键三连什么意思啊？
损失函数远不止三种，重点在在于你的最小化目标是什么
不知道是不是我的理解有问题，是不是极大似然估计“包裹”了最小二乘法以及交叉熵，最根本的是maximum likelihood estimation
至少在求线性模型的时候，极大似然和最小二乘所估计出的斜率和截距会是一样的。不过神经网络我就不确定了。
最小平方法就是用來算估計誤差的 可以從回歸方程解析解的證明方法中得知
讲得简直不要再好了！！！ 赞
正在学机器学习，就是死活搞不清楚，最小二乘法正规方程，极大似然值，逻辑回归这之间的关系，貌似懂，又貌似啥都不懂，反正Python也能得出结果，但就是无法从抽象到具象化进行理解
是，弄不懂，不通透，难受
НаукаНаука
说得太好了，把最自然的思路用准确通俗的语言展现出来❤
真实世界和理念世界的解释真的太棒了！
最小二乘法和交叉墒都其实可以通过极大似然法得到：
- 在线性回归模型中，每一个对应的标签y可以假设是线性函数再叠加上一个服从期望为0的正态分布，假定每一个例子中噪声都是独立同分布的话，则通过极大似然估计，可以证明通过最小二乘法得到的模型参数，可以使估计值y最大可能的服从假定的正态分布
- 在二元分类问题中，用似然估计，可以证明通过让交叉墒最小，获得的模型参数可以使得每个给定的特征向量(X), 估计的分类值尽可能等于标签值(Y)。当然也需要假设 每个例子是独立同分布的.
修正：极大似然法在求二项分布的概率时，少了系数C(10,3)，因为抛硬币，正面和反面出现的次序不重要，C(10,3)代表了不同次序的数量。不过，不影响视频最后结论，因为训练数据集确定后，这个系数是一个常数。
以前似懂非懂，看完顿时清晰了，讲的太棒了！！！
你说得太对了，每一个 大问题别人都不在意
讲得很好，很多地方的思想很有帮助
王木头讲的真好！非常清楚！我反正看完是通透了！快点更新吧我还等着看呢，是不是因为看的人太少了不更新了啊。。。
讲得太好了。
講得太好了！
讲的真的很好。
讲的真好
好频道。粉了！
必须要给个手动点赞！😁
UP主讲得太好了。不喜欢直接列公式，我也是想了解这个公式怎么来的，背后的道理是什么，如果我记不住这个公式，能不能根据学习过的理解方式重新推导出来。
通透！
赞赞赞！！！
粉了粉了！！
19:33处条件慨率P(Xi|Yi)转变为贝努力概率时候有一些费解。因为条件概率的直接计算是P(Xi n Yi)/P(Yi), 我只能理解为在Xi已知的情况下P(Yi|Xi)的概率计算可以用贝努力公式。
我明白了，这里计算的是P(Xi|Yi) ，Yi已知情况下P(Xi)的概率，毕竟是一种P(Xi)， 而不是某种情况下的 P(Yi)， 因为X只有两种情况 所以可以用贝努力公式，神经网络求出的概率Yi 可以理解为硬币为正面的理论概率，Xi是实际观察到的概率。 P(X) = Y 的X方 乘以 (1-Y)的(1-X)方
沐神的损失函数 只有 ylogy_hat ,没有+后面那项 （1-y）log（1-y_hat）
感谢上传，全是干货。不过有一点，似然函数取最大的目的并不是让其接近0.5的概率分布（换成其他分布，解释可能不成立）。而是让样本数据发生的概率最大。
Target 是数量值就用最小二乘，targrt是分类标签就用最大似然估计
极大似然应该都可以吧，至少解线性回归和logistic 回归都没问题。
损失函数是一堆samples的数值吗？
针不戳
一键三连什么意思啊？
损失函数远不止三种，重点在在于你的最小化目标是什么
不知道是不是我的理解有问题，是不是极大似然估计“包裹”了最小二乘法以及交叉熵，最根本的是maximum likelihood estimation
至少在求线性模型的时候，极大似然和最小二乘所估计出的斜率和截距会是一样的。不过神经网络我就不确定了。
最小平方法就是用來算估計誤差的 可以從回歸方程解析解的證明方法中得知
讲得简直不要再好了！！！ 赞
正在学机器学习，就是死活搞不清楚，最小二乘法正规方程，极大似然值，逻辑回归这之间的关系，貌似懂，又貌似啥都不懂，反正Python也能得出结果，但就是无法从抽象到具象化进行理解
是，弄不懂，不通透，难受