索引 / 标签
#监督学习
共 4 篇
- Ch11 模型微调
概念-SFT
SFT（Supervised Fine-Tuning，监督微调）是用高质量"问题-答案"对来训练模型，让它学会按指令回答——这是把"只会补全文本"的预训练模型变成"能听懂人话"的对话模型的关键一步。
约 1 分钟352 字 - Ch04 机器学习
深挖-SVM
一句话理解 SVM 的核心思想是 找到一个超平面，使得不同类别样本之间的间隔（margin）最大化。这个"最大间隔"的设计让 SVM 天然具有优秀的泛化能力，因为它不依赖于恰好落在决策边界附近
约 5 分钟1,745 字 - Ch04 机器学习
深挖-决策树
一句话理解 决策树是一种通过递归地将数据按特征值分裂成子集来构建的树形模型，每个内部节点代表一个特征上的判断（if-then 规则），每条从根到叶的路径就是一条分类规则。它就像玩"20 个问题
约 7 分钟2,173 字 - Ch06 神经网络基础
损失函数 (Loss Function)
损失函数是机器学习中衡量模型预测值与真实值之间差异的数学函数。模型训练的目标是最小化损失函数，使预测结果尽可能接近真实标签。损失函数的选择直接影响模型的收敛速度、最终精度和泛化能力。 核心概念 损失函数 L(y, \haty) 接受真实标签 y 和模型预测 \haty，输出一个非
约 4 分钟1,290 字