1、log损失
log损失的基本形式为:
其中, m=y⋅y^ m = y ⋅ y ^ , y∈{−1,1} y ∈ { − 1 , 1 } 。
对上述的公式改写:
⇒1m∑i=1mlog(1+exp(−y(i)⋅y(i)^)) ⇒ 1 m ∑ i = 1 m l o g ( 1 + e x p ( − y ( i ) ⋅ y ( i ) ^ ) )
已知:
σ(x)=11+exp(−x) σ ( x ) = 1 1 + e x p ( − x )
σ(x)=1−σ(−x) σ ( x ) = 1 − σ ( − x )
⇒1m∑i=1mlog(σ(y(i)⋅y(i)^)−1)=−1m∑i=1mlogσ(y(i)⋅y(i)^) ⇒ 1 m ∑ i = 1 m l o g ( σ ( y ( i ) ⋅ y ( i ) ^ ) − 1 ) = − 1 m ∑ i = 1 m l o g σ ( y ( i ) ⋅ y ( i ) ^ )
2、交叉熵
交叉熵的一般形式为:
对于 m m 个样本,则交叉熵为:
H(y,y^)=−1m∑i=1m[I{y(i)=1}⋅logσ(y^)+I{y(i)=−1}⋅logσ(−y^)] H ( y , y ^ ) = − 1 m ∑ i = 1 m [ I { y ( i ) = 1 } ⋅ l o g σ ( y ^ ) + I { y ( i ) = − 1 } ⋅ l o g σ ( − y ^ ) ]
由于 y(i)∈{−1,1} y ( i ) ∈ { − 1 , 1 } ,且必定为其一。
⇒I{y(i)=k}={01 if y(i)≠k if y(i)=k ⇒ I { y ( i ) = k } = { 0 if y ( i ) ≠ k 1 if y ( i ) = k
H(y,y^)=−1m∑i=1mlogσ(y(i)⋅y(i)^) H ( y , y ^ ) = − 1 m ∑ i = 1 m l o g σ ( y ( i ) ⋅ y ( i ) ^ )
我的博客即将搬运同步至腾讯云+社区,邀请大家一同入驻:https://cloud.tencent.com/developer/support-plan