From 9a3a5d88c1ecdf63bae076d00578e308f995e865 Mon Sep 17 00:00:00 2001
From: admin <zymathgeometry6@163.com>
Date: Tue, 10 Jun 2025 06:41:06 +0000
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20=E6=9C=BA=E5=99=A8?=
 =?UTF-8?q?=E5=AD=A6=E4=B9=A0.md?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 机器学习.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/机器学习.md b/机器学习.md
index 23ef7a4..c2b9e9a 100644
--- a/机器学习.md
+++ b/机器学习.md
@@ -11,7 +11,7 @@
 - 交叉熵 (cross entropy): $H(p,q)=\sum -p(x_i) \log q(x_i)$
 - 相对熵 (relative entropy) 或者 KL 散度 (Kullback-Leibler divergence, KLD): $D_{KL}(p||q):=H(p,q)-H(p)= \sum -p(x_i)\log \frac{q(x_i)}{p(x_i)}$
 - $g(X,Y)=D_{KL}(p(x,y)||p(x)p(y))$
-- JS 散度：$JS:=1/2 ( D_{KL}(p||m)   +  D_{KL}(q||m) )$, 这里$m=(p+q)/2$。 p和q支撑集不相交时，JS 散度为一个常数 log2
+- JS 散度：$JS:=1/2 ( D_{KL}(p||m)   +  D_{KL}(q||m) )$, 这里$m=(p+q)/2$。 $m=(p+q)/2$ p和q支撑集不相交时，JS 散度为一个常数 log2
 - 最小化交叉熵=最小化KL=极大似然
 
 ### Bias-Variance tradeoff