本文详述了机器学习中回归与分类任务下常用的损失函数，包括L2、L1、Huber、Log-Cosh、分位数损失函数等回归任务函数，以及交叉熵、Focal loss、Hinge、Square、Logistic和Exponential损失函数在分类任务的应用。通过理解这些损失函数，有助于优化模型性能。
损失函数通常用于评价机器学习模型的好坏，根据机器学习任务的不同，本文总结分别总结回归和分类场景下常用的损失函数。
回归任务下常用损失函数
- L2损失函数（均方误差MSE）
M S E = ∑ i = 1 n ( y i − y i p ) 2 MSE = \sum_{i=1}^{n} {(y_i-y{_i^p})^2} MSE=i=1∑n(yi−yip)2 - L1损失函数（平均绝对误差MAE）
M A E = ∑ i = 1 n ∣ y i − y i p ∣ MAE = \sum_{i=1}^{n} {|y_i-y{_i^p}|} MAE=i=1∑n∣yi−yip∣ - Huber损失函数（平滑平均绝对误差）
L δ ( y , f ( x ) ) = { 1 2 ( y − f ( x ) ) 2 , for ∣ y − f ( x ) ∣ ≤ δ , δ ∣ y − f ( x ) ∣ − 1 2 δ 2 , otherwise. L_\delta(y,f(x)) = \begin{cases} \frac{1}{2}(y-f(x))^2, & \text{for}|y-f(x)|\leq\delta, \\ \delta|y-f(x)|-\frac{1}{2}\delta^2, & \text{otherwise.} \end{cases} Lδ(y,f(x))={ 2
最低0.47元/天 解锁文章
扫一扫
937
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
