这一节主要是为模型打补丁，在这之前笔者已经介绍并实现了几种典型的机器学习模型，比如线性回归、logistic回归、最大熵、感知机、svm等，但目前它们都有一个共性，那就是构造的损失函数对每个样本都是“一视同仁”的，即每个样本在损失函数中权重都是一样的，为了方便，可以将它们的损失函数做如下抽象：
\[L(w,x,y)=\sum_{i=1}^Nl(w,x_i,y_i) \]
《机器学习_08_代价敏感学习_添加sample_weight支持》
内容版权声明：除非注明，否则皆为本站原创文章。
这一节主要是为模型打补丁，在这之前笔者已经介绍并实现了几种典型的机器学习模型，比如线性回归、logistic回归、最大熵、感知机、svm等，但目前它们都有一个共性，那就是构造的损失函数对每个样本都是“一视同仁”的，即每个样本在损失函数中权重都是一样的，为了方便，可以将它们的损失函数做如下抽象：
\[L(w,x,y)=\sum_{i=1}^Nl(w,x_i,y_i) \]
内容版权声明：除非注明，否则皆为本站原创文章。