常见的损失函数

1 损失函数的一般形式

   通常机器学习每一个算法中都会有一个目标函数，算法的求解过程是通过对这个目标函数优化的过程。在分类或者回归问题中，通常使用损失函数（代价函数）作为其目标函数。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的算法使用的损失函数不一样。
  损失函数分为经验风险损失函数和结构风险损失函数。经验风险损失函数指预测结果和实际结果的差别，结构风险损失函数是指经验风险损失函数加上正则项。通常表示为如下：
$${\theta }^{\ast }=argmin\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i;{\theta }_i))+\lambda \Phi (\theta )$$
　　其中，前面的均值项表示经验风险函数，L表示损失函数，后面的$\lambda \Phi (\theta )$是正则化项（regularizer）或惩罚项（penalty term），它可以是L1、L2或者其他正则函数。整个式子表示要找到使得目标函数最小的参数${\theta }^{\ast }$值。

2 几种常用的损失函数

2.1 0-1损失函数

0-1损失是指，预测值和目标值不相等为1，否则为0：
$$L(Y,f(X))=\{\begin{array}{c}1,Y̸=f(X)\\ 0,Y=f(X)\end{array}$$
感知机就是用的这种损失函数。但是由于相等这个条件太过严格，因此我们可以放宽条件，即满足 |Y−f(X)|<T|Y−f(X)|<T 时认为相等。
$$L(Y,f(X))=\{\begin{array}{c}1,|Y-f(X)|\ge T\\ 0,|Y=f(X)|<T\end{array}$$

2.2 绝对值损失函数

$$L(Y,f(X)=|Y-f(X)|$$

2.3 平方损失函数

最小二乘法是线性回归的一种方法，它将回归的问题转化为了凸优化的问题。最小二乘法的基本原则是：最优拟合曲线应该使得所有点到回归直线的距离和最小。通常用欧几里得距离进行距离的度量。平方损失的损失函数为：
$$L(Y,f(X))=\sum _N(Y-f(X){)}^2$$

2.4 指数损失函数

AdaBoost就是一指数损失函数为损失函数的。
指数损失函数的标准形式：
$$L(Y,f(X))=exp[-yf(x)]$$

2.5 对数损失函数

2.5.1 对数损失函数原理

  对数损失, 即对数似然损失(Log-likelihood Loss), 也称逻辑回归损失(Logistic Loss)或交叉熵损失(cross-entropy Loss), 是在概率估计上定义的.它常用于(multi-nominal, 多项)逻辑斯谛回归和神经网络,以及一些期望极大算法的变体. 可用于评估分类器的概率输出。
  对数损失通过惩罚错误的分类,实现对分类器的准确度(Accuracy)的量化. 最小化对数损失基本等价于最大化分类器的准确度.为了计算对数损失, 分类器必须提供对输入的所属的每个类别的概率值, 不只是最可能的类别。对数损失函数的计算公式如下:
$$L(Y,P(Y|X))=-logP(Y|X)=-\frac{1}{N}\sum _{i=1}^N\sum _{j=1}^M{y}_{ij}log(p_{ij})$$
  其中, $Y$ 为输出变量, $X$为输入变量, $L$ 为损失函数. $N$为输入样本量, $M$为可能的类别数, $y_{ij}$ 是一个二值指标, 表示类别 $j$ 是否是输入实例 $x_i$ 的真实类别。 $p_{ij}$ 为模型或分类器预测输入实例 $x_i$ 属于类别 $j$ 的概率.
  如果只有两类 {0, 1}, 则对数损失函数的公式简化为
$$L(Y,P(Y|X))=-\frac{1}{N}\sum _{i=1}^N[y_{i}log{p}_i+(1-y_i)log(1-p_i)]$$
　　这时, $y_i$ 为输入实例 $x_i$ 的真实类别, $p_i$ 为预测输入实例 $x_i$ 属于类别 1 的概率. 对所有样本的对数损失表示对每个样本的对数损失的平均值, 对于完美的分类器, 对数损失为 0。

2.5.2 sklearn中的log_loss

sklearn中的对数损失函数方法：

from sklearn.metrics import log_loss
def unitest():
    y_true = [0, 0, 1, 1]
    y_pred = [0.1, 0.2, 0.7, 0.99]
    print (log_loss(y_true, y_pred))

    if __name__ == '__main__':
    	unitest()

参考网址：
对数损失函数(Logarithmic Loss Function)的原理和 Python 实现

2.6 Hinge损失函数

Hinge loss用于最大间隔（maximum-margin）分类，其中最有代表性的就是支持向量机SVM。
Hinge函数的标准形式：
（与上面统一的形式：）

　　其中，t为目标值（-1或+1），y是分类器输出的预测值，并不直接是类标签。其含义为，当t和y的符号相同时（表示y预测正确）并且|y|≥1时，hinge loss为0；当t和y的符号相反时，hinge loss随着y的增大线性增大。

参考网址：
常见的损失函数