可生成图片类型（推荐）
可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第21行： | 第21行： | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList | |nodeconfiguration=VariableList | ||
|nodeinputports=WorkFlow-Control | |nodeinputports=WorkFlow-Control 🠊;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control | |nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■ | ||
|statsapewikiurl=https://wiki.statsape.com/交叉熵 | |statsapewikiurl=https://wiki.statsape.com/交叉熵 | ||
|previousnode=[[平均类准确率]] | |previousnode=[[平均类准确率]] | ||
2023年12月8日 (五) 12:22的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
交叉熵  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 交叉熵 |
| 功能主类别 | 机器学习 |
| 英文缩写 | Crs_Etp |
| 功能亚类别 | 模型评估 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
在机器学习中，交叉熵通常用于度量模型的预测值与真实标签之间的差异。对于二分类问题，假设我们有一个样本集合，每个样本有两个可能的类别（正类和负类）。 交叉熵损失函数可以衡量模型对于每个样本预测的概率分布与真实标签的概率分布之间的差异。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 平均类准确率 |
| 下一节点 | 神经网络 |
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
