损失函数

损失函数

资料  http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf

损失函数是估计预测值与真实值差距大小的函数，损失函数的一般形式包括两项：损失项和正则项，如下所示

                 

 损失项是理想状态下的损失，正则项是防止过拟合，提高模型泛化能力的修正项。不同背景下的损失项和正则项有所不同。

   （一）  损失项

                对回归问题，常用的有：平方损失(for linear regression)，绝对值损失；

               对分类问题，常用的有：hinge loss(for soft margin SVM)，log loss(forlogistic regression)。 

               说明：对hingeloss，又可以细分出hinge loss（或简称L1 loss）和squared hinge loss（或简称L2 loss）。

   （二）正则项

               常用的有L1-regularization和L2-regularization。

 

一、损失项

1．0-1损失

    理想状态下的损失函数，损失值就是误分类的样本数。

                   

2．hinge loss

     对于soft-marginSVM（软间隔支持向量机），其损失项用L_hinge表示

                   

       注：在确定分类面时，soft-marginSVM允许误分类，与之相对的hard-margin SVM则不允许，常用的就是soft-margin SVM。

3．log loss

      在逻辑回归中，损失函数形式为

     

       其中

               

       因为

                 

       损失函数化为

                    

      其中，损失项

                  

4．squared loss

     平方损失常用在线性回归中，通常记为L₂

                 

5．exponential loss

      指数损失常用于boosting中，损失函数L_exp为

               

                

5种损失项如下图所示

        

1） L_hinge和L_log对于错误/噪声不敏感

2） 所有损失函数都在0-1损失L01的外部，所以有以下公式

                               

3） 如果我们的目标不是最小化0-1损失L01，而是最大化后验概率P(y|x)，选择对数损失L_log比较合适。但是，最大化P(y|x)意味着损失函数没有最大边界，可能会产生差的结果。

 4） 有界损失和凸性相对。在一些情况下，损失应该是界的，所以不需要在意一些错分的例子。有界损失，如0-1损失，经常用于在测试集上对分类器进行评分，但有界损失函数是非凸的，难以进行优化，而凸函数则比较容易优化。

二、正则项

       正则项是防止过拟合的修正项，用λR表示，常见的正则项有

                       

       正则项可以写成如下的一般形式

                     

       R₂是最常见的正则项，在计算梯度时非常方便。

       R₀是最直观的正则项，有特征选择的作用，可以用于减少特征向量中的零，使计算方便。这种方式和SVM中的方式不同，对于一个m×n的矩阵X，其每一行是一个特征向量，可以简单地认为SVM-sparseness是试图减小m，而R₀-sparseness是减小n。

       R₂和R₁是凸的，当p<1是R_p都是非凸的（包括R₀）。所以我们可以R₁当成R₀的凸近似，不过需要注意的是，R₁正则化会导致产生稀疏权值向量。

      一维和二维下的正则项图像如下所示：