Tiendo a no pensar en ello como un CDF en absoluto. Es una función de respuesta que tiene una alta probabilidad de un resultado positivo para entradas altas y baja para entradas bajas, y es suave. También es muy fácil de usar ya que la derivada se puede escribir en términos del valor de la función, que es muy conveniente o algoritmos de tipo gradiente-descenso.
Si desea tener una idea de por qué podría usarse un CDF aquí, esto podría ser de interés. Considere un experimento aleatorio donde el resultado esperado es 0, pero algunos individuos pueden obtener puntajes muy bajos y otros pueden obtener puntajes muy altos. Las respuestas típicas siguen la distribución logística, de hecho. Su opinión le dice cómo le va a su individuo, y está compitiendo contra algún individuo desconocido. La regresión logística le dará la probabilidad de que su individuo gane. De hecho, este es el número de sistemas de clasificación para ajedrez o Go, por ejemplo, que funcionan. Utilizan la regresión logística para modelar el resultado previsto de un solo juego, y nos permiten determinar una clasificación razonable de individuos en función de los datos de sus juegos uno contra el otro.
- ¿Cómo se glorifican los métodos del kernel en la coincidencia de plantillas?
- ¿Puedes explicar el hashing de características de una manera fácil de entender?
- Cómo encontrar el siguiente número de la lista de números anteriores usando el aprendizaje profundo
- ¿Cómo se relaciona el concepto de simetría con la agrupación?
- Cómo entrenar una red neuronal para detectar un objeto en un video que no estaba presente en el cuadro anterior
