机器学习之线性回归损失函数、代价函数、目标函数

最新推荐文章于 2024-09-23 16:08:01 发布

奔跑的大西吉

最新推荐文章于 2024-09-23 16:08:01 发布

阅读量997

点赞数

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/fenglepeng/article/details/104829891

版权

机器学习专栏收录该内容

23 篇文章 1 订阅

订阅专栏

损失函数（Loss Function）定义在单个样本上，算的是一个样本的误差。比如：

$loss(\theta)=(\hat{y_i} - y_i)$ 其中 $\hat{y_i}=h_{\theta}(x_i)$

0-1损失函数:

$J(\theta)=\left\{\begin{aligned}1, Y\neq{f(x)}\\0, Y=f(x)\\\end{aligned}\right.$

感知器损失函数：

$J(\theta)=\left\{\begin{aligned}1, |Y-f(x)|> t \\0, |Y-f(x)|\le{t}\\\end{aligned}\right$

平方和损失函数：

$J(\theta)=\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2$

绝对损失函数：

$J(\theta)=\sum_{i=1}^{m}|h_{\theta}(x^{(i)})-y^{(i)}|$

对数损失函数：

$J(\theta)=-\sum_{i=1}^{m}(y^{(i)}\log{h_{\theta}(x^{(i)})})$

代价函数（Cost Function）定义在整个训练集上，是所有样本误差的平均值，也就是损失函数的平均，比如：

$Cost(\theta)=\frac{1}{N}\sum_{i=1}^N (\hat{y_i}-y_i)^2$ ,其中 $\hat{y_i}=h_{\theta}(x_i)$

目标函数（Object Function）是最终需要优化的函数

$Obj(\theta)=\frac{1}{N}\sum_{i = 1}^{N}loss(\hat{y_i},y_i)$

奔跑的大西吉

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。