一、什么是泛化誤差

一個機器學習模型的泛化誤差（generalization error），是一個描述學生機器在從樣品數據中學習之后，離教師機器之間的差距的函數。使用這個名字是因為這個函數表明一個機器的推理能力，即從樣品數據中推導出的規則能夠適用于新的數據的能力。

二、在神經網絡使用elu激活函數時怎么使用交叉熵作為損失函數

P、T矩陣均為一列為一個樣本，因此P、T的列數必須相等，否則報錯。你參考下別人的程序，我建議使用newff函數，不要弄得這么復雜。還有P、T的生成不需要那么復雜，只需要：P(i,:)=YY(i:i+2);附上newff函數的格式為：net=newff(PR,[S1S2SN],{TF1TF2TFN},BTF,BLF,PF），函數newff建立一個可訓練的前饋網絡。輸入參數說明：PR：Rx2的矩陣以定義R個輸入向量的最小值和最大值；Si：第i層神經元個數；TFi：第i層的傳遞函數，默認函數為tansig函數；BTF：訓練函數，默認函數為trainlm函數；BLF：權值/閥值學習函數，默認函數為learngdm函數；PF：性能函數，默認函數為mse函數。

三、SVM 支持向量機理論中定義ε不敏感損失函數的目的是什么，另ε不敏感損失函數是不是會有不同的表達形式

它可以忽略真實值在某個上下范圍內的誤差，它的解以函數的最小化為特征，它可以確保對偶變量的稀疏性，確保全局最小解的存在和可靠泛化界的優化。

形式分為兩種，線性的和二次的。

四、深度學習中的主要激活函數有哪些

1. 什么是激活函數？

生物神經網絡啟發了人工神經網絡的發展。但是，ANN 并非大腦運作的近似表示。不過在我們了解為什么在人工神經網絡中使用激活函數之前，先了解生物神經網絡與激活函數的相關性是很有用處的。

2. 神經網絡如何學習？

我們有必要對神經網絡如何學習有一個基本了解。假設網絡的期望輸出是 y（標注值），但網絡實際輸出的是 y'（預測值）。預測輸出和期望輸出之間的差距（y - y'）可以轉化成一種度量，即損失函數（J）。神經網絡犯大量錯誤時，損失很高；神經網絡犯錯較少時，損失較低。訓練目標就是找到使訓練集上的損失函數最小化的權重矩陣和偏置向量。

五、loss function 和fpe是什么意思

loss function

英[l?s ?f??k??n] 美[l?s ?f??k??n]

[詞典] 損耗函數，損失函數;

[網絡] 損失函數; 喪失函數; 田口損失函數;

[例句]The asymmetry of loss function consists of contractual asymmetry and non-contractual asymmetry.

損失函數的不對稱包括契約性的和非契約性的。