如果我們使用數百萬對input->goal_prediction(輸入->**目標)來進行訓練，在此基礎上，我們仍然希望能夠做出準確的**。因此，我們希望可以將數百萬對資料的平均誤差降為0。
如果誤差可以是正的，也可以是負的，那麼會出現問題。想象一下，如果想要使神經網路正確**量兩個資料點——也就是兩對input->goal_prediction(輸入->**目標)。如果第乙個**的誤差是1000，而第二個產生的誤差是-1000，那麼平均誤差將為0！
在這種情況下，我們會自欺欺人地認為自己**得很完美，但是實際上每次**的誤差高達1000！，這簡直太可怕了。因此，我們會希望每次**的誤差總是正的，這樣當我們對它們進行平均時，它們就不會發生像互相抵消這種意外的錯誤。
這就是為什麼在機器學習中為什麼只需要正的誤差而不用負的誤差！
在機器學習中為什麼要進行 One Hot 編碼？
類別資料是一種只有標籤值而沒有數值的變數。它的值通常屬於乙個大小固定且有限的集合。類別變數也常被稱為標稱值 nominal 下面舉例說明 以上例子中的每個值都代表著乙個不同的類別。有些類別彼此間存在一定的自然關係，比如自然的排序關係。上述例子中，位次 place 變數的值就有這種自然的排序關係。這種...
機器學習中為什麼需要對資料進行歸一化？
如下圖所示，藍色的圈圈圖代表的是兩個特徵的等高線。其中左圖兩個特徵x1和x2的區間相差非常大，x1區間是 0,2000 x2區間是 1,5 其所形成的等高線非常尖。當使用梯度下降法尋求最優解時，很有可能走 之字型 路線 垂直等高線走 從而導致需要迭代很多次才能收斂 而右圖對兩個原始特徵進行了歸一化，...
在類的物件的初始化中為什麼需要建構函式？
類需要建構函式 類是一種抽象結構，而不是一種實體，並不占用儲存空間。所以在定義類結構體的時候，是不可以對類中的成員進行初始化的。例如以下的做法就是錯誤的 class student 因為型別沒有記憶體空間的，所以沒有辦法存放初始化的資料。而類的物件不同，需要容納資料，占用空間。如果初始化乙個stud...