一、TF-IDF
有很多不同的数学公式可以用来计算TF-IDF。这边的例子以上述的数学公式来计算。词频 (TF) 是一词语出现的次数除以该文件的总词语数。假如一篇文件的总词语数是100个，而词语“母牛”出现了3次，那么“母牛”一词在该文件中的词频就是3/100=0.03。一个计算文件频率 (IDF) 的方法是文件集里包含的文件总数除以测定有多少份文件出现过“母牛”一词。所以，如果“母牛”一词在1,000份文件出现过，而文件总数是10,000,000份的话，其逆向文件频率就是 lg(10,000,000 / 1,000)=4。最后的TF-IDF的分数为0.03 * 4=0.12。
某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。
二、分类和回归的损失函数
https://www.cnblogs.com/houjun/p/8956384.html
分类：
1、 0-1损失 (zero-one loss)
2、感知损失
3、cross entropy
4、Logistic loss
*********************************************************************
回归：
https://blog.csdn.net/reallocing1/article/details/56292877
MSE: Mean Squared Error
均方误差：是指参数估计值与参数真值之差平方的期望值;
RMSE
均方根误差：是均方误差的算术平方根
MAE :Mean Absolute Error
平均绝对误差是绝对误差的平均值
平均绝对误差能更好地反映预测值误差的实际情况.
SVM损失函数：hinge损失+w2正则
adaboost：指数损失
三、如何避免陷入鞍点（局部最小）
（一）以多组不同参数值初始化多个神经网络，去其中误差最小的作为结果
（二）使用“模拟退火”技术
模拟退火在每一步都以一定的概率接受比当前解更差的结果，从而有助于跳出局部最小值。在每次迭代过程中，接受’“次优解”的概率要随着时间的推移而逐渐降低，从而保证算法稳定。
（三）使用随机梯度下降
每次随机选取一个样本进行梯度下降，在梯度下降时加入了随机因素。即便陷入了局部最小点，它计算出的梯度可能仍不为零，这样就有机会跳出局部最小继续搜索。