一、什么是泛化误差
一个机器学习模型的泛化误差（generalization error），是一个描述学生机器在从样品数据中学习之后，离教师机器之间的差距的函数。使用这个名字是因为这个函数表明一个机器的推理能力，即从样品数据中推导出的规则能够适用于新的数据的能力。
二、在神经网络使用elu激活函数时怎么使用交叉熵作为损失函数
P、T矩阵均为一列为一个样本，因此P、T的列数必须相等，否则报错。你参考下别人的程序，我建议使用newff函数，不要弄得这么复杂。还有P、T的生成不需要那么复杂，只需要：P(i,:)=YY(i:i+2);附上newff函数的格式为：net=newff(PR,[S1S2SN],{TF1TF2TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；Si：第i层神经元个数；TFi：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。
三、SVM 支持向量机理论中定义ε不敏感损失函数的目的是什么，另ε不敏感损失函数是不是会有不同的表达形式
它可以忽略真实值在某个上下范围内的误差，它的解以函数的最小化为特征，它可以确保对偶变量的稀疏性，确保全局最小解的存在和可靠泛化界的优化。
形式分为两种，线性的和二次的。
四、深度学习中的主要激活函数有哪些
1. 什么是激活函数？
生物神经网络启发了人工神经网络的发展。但是，ANN 并非大脑运作的近似表示。不过在我们了解为什么在人工神经网络中使用激活函数之前，先了解生物神经网络与激活函数的相关性是很有用处的。
2. 神经网络如何学习？
我们有必要对神经网络如何学习有一个基本了解。假设网络的期望输出是 y（标注值），但网络实际输出的是 y'（预测值）。预测输出和期望输出之间的差距（y - y'）可以转化成一种度量，即损失函数（J）。神经网络犯大量错误时，损失很高；神经网络犯错较少时，损失较低。训练目标就是找到使训练集上的损失函数最小化的权重矩阵和偏置向量。
五、loss function 和fpe是什么意思
loss function
英[lɔs ˈfʌŋkʃən] 美[lɔs ˈfʌŋkʃən]
[词典] 损耗函数，损失函数;
[网络] 损失函数; 丧失函数; 田口损失函数;
[例句]The asymmetry of loss function consists of contractual asymmetry and non-contractual asymmetry.
损失函数的不对称包括契约性的和非契约性的。
