1.适应度与损失函数
我觉的:
(1)都是用来描述目标函数一个方面的效能的一个函数
(2)进行输入之后,结果都是一个可以进行比较的值
来源:机器学习之 损失函数和风险函数 - CSDN博客
http://blog.csdn.net/lisi1129/article/details/60961256
介绍损失函数以及风险函数很详细
损失函数:(目的就是预测模型与真值相差多少,从而评价模型好坏)
L: Loss Function
监督学习问题是在假设的空间F中选取模型 f 作为决策函数,对于给定的输入 X,由 f(x) 给定输出Y, 这个输出的预测值与真实值 Y可能不一致,用一个函数来度量预测错误的程度表示这种不一致,这个函数就是损失函数或者代价函数;
通常的损失函数如下:
损失函数值越小,模型越好;由于模式的输入,输出(X,Y)是随机变量,有联合分布P(X,Y) 所以损失函数的期望是:
2.稳定选择和分裂选择
稳定选择_百度百科
https://baike.baidu.com/item/%E7%A8%B3%E5%AE%9A%E9%80%89%E6%8B%A9/8736168?fr=aladdin
选择多数的,就像比赛去掉最高分,最低分分,保留稳定的多数的部分
分裂选择_百度百科
https://baike.baidu.com/item/%E5%88%86%E8%A3%82%E9%80%89%E6%8B%A9/3731141
有利于保持群体中的个性化