类型期望目标指标优化为低 RMSE。估算时间应小于 10-15 分钟。如果我们高估，客户下单的可能性较低。低估可能会导致客户不满。训练高吞吐量，能够每天多次重新训练推理延迟为 100ms 至 200ms我们学习了如何使用梯度提升决策树将估算送达时间表述为一个机器学习问题。我们学习了如何收集和使用数据来训练模型。我们学习了如何使用 Kafka 处理日志和模型预测以实现近实时预测。

欢迎Star我的Machine Learning Blog:https://github.com/purepisces/Wenqing-Machine_Learning_Blog。交叉熵损失交叉熵损失是用于基于概率的分类问题最常用的损失函数之一。交叉熵损失前向方程首先，我们使用softmax函数将原始模型输出AAA转换成由输入数值的指数决定的CCC类的概率分布。ιN\iota_NιN​、ιC\io

欢迎Star我的Machine Learning Blog:https://github.com/purepisces/Wenqing-Machine_Learning_Blog。SoftmaxSoftmax激活函数是一种向量激活函数，主要应用于神经网络的末端，将向量或原始输出转换为概率分布，其中输出元素总和为1。但是，它也可以像前面讨论过的其他激活函数一样应用在神经网络的中间。Softmax前向

Sigmoid激活函数是人工神经网络中广泛使用的非线性激活函数之一。它有效地将输入值映射到0和1之间的范围，使其特别适用于输出需要被解释为概率的模型。

欢迎Star我的Machine Learning Blog:https://github.com/purepisces/Wenqing-Machine_Learning_Blog。均方误差（MSE，Mean Squared Error）是回归问题中评估预测误差的一种广泛使用的指标。在回归中，目标是预测连续值，例如根据房屋的特征（如面积、位置、卧室数量等）估计房屋的价格。计算从计算模型预测（AAA）

Sigmoid激活函数是人工神经网络中广泛使用的非线性激活函数之一。它有效地将输入值映射到0和1之间的范围，使其特别适用于输出需要被解释为概率的模型。