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7行: | 第7行: | ||
|productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 | |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 | ||
|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署 | |productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署 | ||
|nodeenglishname= | |nodeenglishname=Cross Entropy | ||
|abbreviation= | |abbreviation=CrsEtrp | ||
|funcmaincategory=机器学习 | |funcmaincategory=机器学习 | ||
|funcsubcategory=[[Eva Lv1 Cat::模型评估]] | |funcsubcategory=[[Eva Lv1 Cat::模型评估]] |
节点状态 | / Win10及以上可用
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 | Cross Entropy |
功能主类别 | 机器学习 |
英文缩写 | CrsEtrp |
功能亚类别 | 模型评估 |
节点类型 | 数据挖掘 |
开发语言 | Python |
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 | 机器学习基础绘图节点 |
相关网站 |
查找其他类别的节点,请参考以下列表