Hinge损失是0-1损失函数的一种代理函数,Hinge损失的具体形式如下:
max(0,1−m)
运用Hinge损失的典型分类器是SVM算法。
指数损失是0-1损失函数的一种代理函数,指数损失的具体形式如下:
exp(−m)
运用指数损失的典型分类器是AdaBoost算法。
感知损失是Hinge损失的一个变种,感知损失的具体形式如下:
max(0,−m)
运用感知损失的典型分类器是感知机算法。
感知机算法只需要对每个样本判断其是否分类正确,只记录分类错误的样本,其损失函数为:
Hinge损失对于判定边界附近的点的惩罚力度较高,而感知损失只要样本的类别判定正确即可,而不需要其离判定边界的距离,这样的变化使得其比Hinge损失简单,但是泛化能力没有Hinge损失强。
import matplotlib.pyplot as plt
import numpy as np
xmin, xmax = -4, 4
xx = np.linspace(xmin, xmax, 100)
plt.plot([xmin, 0, 0, xmax], [1, 1, 0, 0], 'k-', label="Zero-one loss")
plt.plot(xx, np.where(xx < 1, 1 - xx, 0), 'g-', label="Hinge loss")
plt.plot(xx, np.log2(1 + np.exp(-xx)), 'r-', label="Log loss")
plt.plot(xx, np.exp(-xx), 'c-', label="Exponential loss")
plt.plot(xx, -np.minimum(xx, 0), 'm-', label="Perceptron loss")
plt.ylim((0, 8))
plt.legend(loc="upper right")
plt.xlabel(r"Decision function $f(x)$")
plt.ylabel("$L(y, f(x))$")
plt.show()