机器学习案例系列教程——损失函数总结

注意区分样本损失，和样本集的损失

在本文，我们要注意区分，一个样本的损失值为

$$loss(y,f(x))$$
而多个样本的损失值为
$$\frac{1}{n}\sum_{i=1}^nloss(y,f(x))$$

所说义如果我们说一个算法的损失函数，都是针对一个样本的。只不过有些文章把所有样本的损失平均也说成是算法的函数函数。要注意区分。

损失函数 $| y_i-f(x_i)|$，一般是针对单个样本 i
代价函数 $1/N.\sum_{i=1}^{N}{| y_i-f(x_i) |}$ , 一般是针对总体
目标函数 $1/N.\sum_{i=1}^{N}{| y_i-f(x_i)|}$ + 正则化项

经验风险最小化可表示为最优化问题：

$$min \frac{1}{N}\sum_{i=1}^NL(y_i,f(x_i))$$
而结构风险最小化可表示为最优化问题：
$$min \frac{1}{N}\sum_{i=1}^NL(y_i,f(x_i))+λJ(f)$$
在结构风险最小化中，经验风险只是被优化的一部分，此时并不能称经验风险最小化。

0-1损失函数

$$L(Y,f(X))=\left\{ \begin{aligned}&1,\quad Y\ne f(X)\\& 0,\quad Y=f(X) \end{aligned} \right.$$

可以看出，该损失函数的意义就是，当预测错误时，损失函数值为1，预测正确时，损失函数值为0。该损失函数不考虑预测值和真实值的误差程度，也就是只要预测错误，预测错误差一点和差很多是一样的。

对数损失函数(logarithmic loss function)

$$L(Y,P(Y|X))=-logP(Y|X)$$

这个损失函数就比较难理解了。事实上，该损失函数用到了极大似然估计的思想。P(Y|X)通俗的解释就是：在当前模型的基础上，对于样本X，其预测值为Y，也就是预测正确的概率。由于概率之间的同时满足需要使用乘法，但是乘法直接求导比较困难，所以需要将其转化为加法，我们将其取对数。最后由于是损失函数，所以预测正确的概率越高，其损失值应该是越小，因此再加个负号取个反。

逻辑回归中使用对数损失函数，最后得到的损失函数如下：

$$J(w,b)=-\frac{1}{m}\sum D(y_i,p_i)$$

其中$D(y,p)=y log(p)+(1-y)(1-log(p))$公式中的p为逻辑回归预测的概率值。$p=h(w,b)=sigmoid(wx+b)$

所以损失函数等价于

$$J(w,b)=-\frac{1}{m}\sum_{i=1}^m[ y^{(i)}log\hat y^{(i)}+(1-y^{(i)})log(1-\hat y^{(i)}) ]$$

其中$y_i∈\{0,1\}$表示正样本的概率。

对于softmax多分类，类标号要进行one-hot编码，转变为多输出问题。所有一个样本的预测输出的值为向量。例如3分类问题，一个样本的输出值为$[p_1,p_2,p_3]$，损失函数为

$$L(Y,f(x)) = −\sum^n_{j=1}Y_jlogp_j$$ 其中n为输出维度，也就是有多少种分类， $p_j$为预测的属于每种分类的概率。 可以看出softmax损失函数是逻辑回归损失函数的一种推广。当n取2时，损失函数值就是逻辑回归的损失函数。

平方损失函数（最小二乘法, Ordinary Least Squares ）

$$L(Y,f(X))=(Y-f(X))^2$$
该损失函数的意义也很简单，就是取预测差距的平方。

最小二乘法是线性回归的一种，OLS将问题转化成了一个凸优化问题。在线性回归中，它假设样本和噪声都服从高斯分布。最后通过极大似然估计（MLE）可以推导出最小二乘式子。最小二乘的基本原则是：最优拟合直线应该是使各点到回归直线的距离和最小的直线，即平方和最小。

绝对值损失函数(absolute loss function)

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

该损失函数的意义和上面差不多，只不过是取了绝对值而不是求绝对值，差距不会被平方放大。

指数损失函数

$$L(y,f(x))=exp[-yf(x)]$$
指数损失函数是0，1损失函数的变形
Adaboost的目标函数就是指数损失，在给定n个样本的情况下，Adaboost的损失函数为
$$L(y,f(x))=\frac{1}{n}\sum_{i=1}^nexp[-y_if(x_i)]$$
其中 $y_i∈\{−1,1\}$表示对应的标签值

Hinge损失函数（SVM）

$$min L(w)=\frac{1}{n}\sum_{i=1}^{n}H(y_{i}f(x_{i},w)),\\ where\,H(t)=\left\{\begin{matrix} -t+1& t<1\\ 0 & t\ge1 \end{matrix}\right.$$
其含义为，y的值在-1到1之间就可以了，并不鼓励，即并不鼓励分类器过度自信，让某个可以正确分类的样本距离分割线的距离超过1并不会有任何奖励。从而使得分类器可以更专注整体的分类误差

优点：稳定的分类面，凸函数。对分对的但又不是很对的样本也进行惩罚（0-1之间），可以极大化分类间隔。

感知机损失函数（L1 margin cost）

$$min L(w)=\frac{1}{n}\sum_{i=1}^{n}H(y_{i}f(x_{i},w)),\\ where\,H(t)=\left\{\begin{matrix} -t& t<0\\ 0 & t\ge0 \end{matrix}\right.$$

在t=0处不连续，所以不可导，但是可以求次梯度(导数)。

优点：稳定的分类面，次梯度可导

缺点：二阶不可导，有时候不存在唯一解

决策树损失函数：

设决策树的叶子节点集合为T，t是T中的一个元素，该叶节点有$N_t$个样本，其中k类的样本有$N_{tk}$个，共K个分类

$$H_t(T)=-\sum_{k=1}^K\frac{N_{tk}}{N_t}log\frac{N_{tk}}{N_t}$$

则损失函数可以定义为

$$C_{\alpha}(T)=\sum_{t=1}^{\mid T\mid}N_tH_t(T)+\alpha\mid T\mid$$

右边第一项表示误差大小，第二项表示模型的复杂度，也就是用叶节点数目表示，防止过拟化。（一般的损失函数都用两项来表示，误差和模型复杂度)

对每个叶节点t来说，$H_t(T)$表示$t$的熵（也就是不确定性）的期望，针对的是$t$叶子节点中每个数据实例的熵的期望，$t$叶子节点中有$N_t$个实例，那么$t$叶子节点总的熵（不确定性）就是$N_tH_t(T)$，整个树有∣T∣个叶节点，加起来就是整棵树的熵（不确定性，也可以理解成误差）。

L1和L2正则化

L1正则化假设了模型的先验概率分布服从拉普拉斯分布；L2正则化假设了模型的先验概率分布服从高斯分布。