机器学习中的建模
作为人工智能工程师,我们通常将每个任务或问题定义为一个函数。
例如,如果我们正在开发面部识别系统,我们的第一步是将问题定义为将输入图像映射到标识符的函数F(X)。但是问题是如何知道F(X)公式?
事实上,使用公式或一系列固有规则来定义F(X)是不可行的(有一天我会解释原因)。
一般来说,我们不是寻找或定义正确的函数F(X),而是尝试找到F(X)的近似值。我们将这种近似称为假设函数,或者简称为H(X)。
作为人工智能工程师,我们通常将每个任务或问题定义为一个函数。
例如,如果我们正在开发面部识别系统,我们的第一步是将问题定义为将输入图像映射到标识符的函数F(X)。但是问题是如何知道F(X)公式?
事实上,使用公式或一系列固有规则来定义F(X)是不可行的(有一天我会解释原因)。
一般来说,我们不是寻找或定义正确的函数F(X),而是尝试找到F(X)的近似值。我们将这种近似称为假设函数,或者简称为H(X)。
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/38458.shtml
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!