浅析机器学习中各种损失函数及其含义
来源:互联网 发布:淘宝网购物压缩袋 编辑:程序博客网 时间:2024/06/04 01:34
常见的损失函数
1.0-1损失函数(0-1 loss function)
可以看出,该损失函数的意义就是,当预测错误时,损失函数值为1,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,也就是只要预测错误,预测错误差一点和差很多是一样的。
2.平方损失函数(quadratic loss function)
该损失函数的意义也很简单,就是取预测差距的平方。
3.绝对值损失函数(absolute loss function)
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。
4.对数损失函数(logarithmic loss function)
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。
全局损失函数
上面的损失函数仅仅是对于一个样本来说的。而我们的优化目标函数应当是使全局损失函数最小。因此,全局损失函数往往是每个样本的损失函数之和,即:
对于平方损失函数,为了求导方便,我们可以在前面乘上一个1/2,和平方项求导后的2抵消,即:
逻辑回归中的损失函数
在逻辑回归中,我们采用的是对数损失函数。由于逻辑回归是服从伯努利分布(0-1分布)的,并且逻辑回归返回的sigmoid值是处于(0,1)区间,不会取到0,1两个端点。因此我们能够将其损失函数写成以下形式:
解释一下含义:
- 当真实值y=1时,
L(ŷ ,y)=−logŷ ,当预测值ŷ 越接近1,logŷ 也越接近最大值1,加上负号后就代表误差值最小。而当预测值ŷ 越接近0,logŷ 越接近负无穷,加上负号后就代表误差值最大。 - 当真实值y=0时,
L(ŷ ,y)=−log(1−ŷ ) ,当预测值ŷ 越接近0,log(1−ŷ ) 也越接近最大值1,加上负号后就代表误差值最小。而当预测值ŷ 越接近1,log(1−ŷ ) 越接近负无穷,加上负号后就代表误差值最大。
最后逻辑回归中对于所有样本的损失函数为:
阅读全文
1 0
- 浅析机器学习中各种损失函数及其含义
- 机器学习中的各种损失/误差函数
- 机器学习中常见的损失函数
- 机器学习中常见的损失函数
- 机器学习中常见的损失函数
- 机器学习-损失函数
- 机器学习损失函数
- 机器学习损失函数
- 机器学习-损失函数
- 机器学习-损失函数
- 机器学习-损失函数
- 机器学习之--损失函数
- 机器学习中的损失函数
- 机器学习中的损失函数
- 机器学习之--损失函数
- 机器学习中的损失函数
- 机器学习中的损失函数
- 机器学习的损失函数
- SpringMVC异常统一处理
- DB2中通用的存储过程分页程序
- Python学习笔记
- jquery提交整个form表单
- 算法学习——位运算
- 浅析机器学习中各种损失函数及其含义
- 1次演讲13次提到技术,马云在阿里巴巴年会上都说了什么?
- Java开发Maven插件
- 前端架构之路:Windows下安装Nodejs步骤
- GitHub的使用
- mvn testng idea
- 图片实现高斯玻璃效果
- python django-admin 创建project的问题
- 属性-字体(2)