下面关于JS散度和KL散度的区别的说法错误的是
A.KL散度不具对称性
B.JS散度具备对称性
C.JS散度在KL散度的基础上进行了改进
D.二者都不具备对称性
- · 有4位网友选择 D,占比40%
- · 有3位网友选择 A,占比30%
- · 有2位网友选择 C,占比20%
- · 有1位网友选择 B,占比10%
A.KL散度不具对称性
B.JS散度具备对称性
C.JS散度在KL散度的基础上进行了改进
D.二者都不具备对称性
A、sigmoid函数
B、阶跃函数
C、tanh函数
D、relu函数
A、感知机由Rosenblatt于1957年提出,是神经网络的基础
B、感知机是二分类的线性分类模型,属于有监督学习算法
C、感知机是二分类的线性分类模型,属于无监督学习算法
D、感知机的预测是用学习得到的感知机模型对新的实例进行预测的,因此属于判别模型
A、程序最后两行的计算结果是相等的
B、程序最后两行的计算结果是不相等的
C、程序最后两行的的目的是计算相对熵,其是交叉熵与信息熵的差值
D、程序的目的是计算相对熵,其不具备对称性
A、交叉熵
B、联合熵
C、互信息
D、相对熵
A、反向传播算法的学习过程由正向传播过程和反向传播过程组成,不存在迭代过程
B、在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层
C、如果经过正向传播,在输出层得不到期望的输出值,则利用输出与期望计算目标函数(损失函数),转入反向传播
D、反向传播需要逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯度,作为修改权值的依据。在机器学习中,训练数据通常是给定和固定的,而权重参数等是作为变量并进行更新的
A、最后一行是计算p和q之间的KL散度
B、最后一行是计算p和q之间的JS散度
C、最后一行是计算p和q之间的条件熵
D、最后一行是计算p和q之间的交叉熵
A、最后一行是计算p和q之间的KL散度
B、最后一行是计算p和q之间的JS散度
C、最后一行是计算p和q之间的条件熵
D、最后一行是计算p和q之间的交叉熵
A、最后一行是计算predicted和label之间的互信息
B、最后一行是计算predicted和label之间的JS散度
C、最后一行是计算predicted和label之间的条件熵
D、最后一行是计算predicted和label之间的交叉熵
对于给定的下面的一段python程序,则程序最后,result中保存的是? from math import log def calcShannonEnt(dataSet): length,dataDict=float(len(dataSet)),{} for data in dataSet: try:dataDict[data]+=1 except:dataDict[data]=1 return sum([-d/length*log(d/length) for d in list(dataDict.values())]) Ent_x1=calcShannonEnt(['3', '4', '5', '5', '3', '2', '2', '6', '6', '1']) Ent_x2=calcShannonEnt(['7', '2', '1', '3', '2', '8', '9', '1', '2', '0']) Ent_x1x2=calcShannonEnt(['37', '42', '51', '53', '32', '28', '29', '61', '62', '10']) result=Ent_x1+Ent_x2-Ent_x1x2
A、交叉熵
B、联合熵
C、互信息
D、相对熵
为了保护您的账号安全,请在“简答题”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!