大家好,又见面了,我是你们的朋友全栈君。
损失函数(Loss Function):是定义在单个样本上的,是指一个样本的误差。 代价函数(Cost Function):是定义在整个训练集上的,是所有样本误差的平均,也就是所有损失函数值的平均。 目标函数(Object Function):是指最终需要优化的函数,一般来说是经验风险+结构风险,也就是(代价函数+正则化项)。
—
这一节转载自博客
\[L(y, f(x)) = \begin{cases} 1, & {y \neq f(x) } \\ 0, & {y = f(x)} \end{cases} \]
也就是说,当预测错误时,损失函数为1,当预测正确时,损失函数值为0。该损失函数不考虑预测值和真实值的误差程度。只要错误,就是1。
\[L(y, f(x)) = (y – f(x))^2 \]
是指预测值与实际值差的平方。
\[L(y, f(x)) = | y -f(x) | \]
该损失函数的意义和上面差不多,只不过是取了绝对值而不是求绝对值,差距不会被平方放大。
\[L(y, p(y|x)) = – \log p(y|x) \]
这个损失函数就比较难理解了。事实上,该损失函数用到了极大似然估计的思想。P(Y|X)通俗的解释就是:在当前模型的基础上,对于样本X,其预测值为Y,也就是预测正确的概率。由于概率之间的同时满足需要使用乘法,为了将其转化为加法,我们将其取对数。最后由于是损失函数,所以预测正确的概率越高,其损失值应该是越小,因此再加个负号取个反。
Hinge loss一般分类算法中的损失函数,尤其是SVM,其定义为:
\[L(w,b) = max \{0, 1-yf(x) \} \]
其中 y = +1 或 y = -1 , f(x) = wx+b ,当为SVM的线性核时。
\[MSE = \frac{1}{N} \sum_{i=1}^N (y^{(i)} – f(x^{(i)}))^2 \]
均方误差是指参数估计值与参数真值之差平方的期望值; MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。( i 表示第 i 个样本, N 表示样本总数) 通常用来做回归问题的代价函数。
\[RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^N (y^{(i)} – f(x^{(i)}))^2 } \]
均方根误差是均方误差的算术平方根,能够直观观测预测值与实际值的离散程度。 通常用来作为回归算法的性能指标。
\[MAE = \frac{1}{N} \sum_{i=1}^N |y^{(i)} – f(x^{(i)})| \]
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。 通常用来作为回归算法的性能指标。
\[H(p,q) = – \sum_{i=1}^{N} p(x^{(i)}) \log {q(x^{(-i)})} \]
交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况,减少交叉熵损失就是在提高模型的预测准确率。其中 p(x) 是指真实分布的概率, q(x) 是模型通过数据计算出来的概率估计。 比如对于二分类模型的交叉熵代价函数(可参考逻辑回归一节):
\[L(w,b) = -\frac{1}{N} \sum_{i=1}^{N} (y^{(i)} \log {f(x^{(i)})} + ( 1- y^{(i)}) \log {(1- f(x^{(i)})})) \]
其中 f(x) 可以是sigmoid函数。或深度学习中的其它激活函数。而 y^{(i)} \in { 0,1 } 。 通常用做分类问题的代价函数。
引用及参考: [1] https://blog.csdn.net/reallocing1/article/details/56292877 [2] https://blog.csdn.net/m_buddy/article/details/80224409 [3] https://blog.csdn.net/chaipp0607/article/details/76037351 [4] https://blog.csdn.net/shenxiaoming77/article/details/51614601
写在最后:本文参考以上资料进行整合与总结,文章中可能出现理解不当的地方,若有所见解或异议可在下方评论,谢谢! 若需转载请注明:https://www.cnblogs.com/lliuye/p/9549881.html
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/154310.html原文链接:https://javaforall.cn