【机器学习学习总结（一）】常用损失函数及导函数

        学习人工智能快半年了，从ML到DL，又忘了前面的知识，于是在此总结一下在机器学习中常用的损失函数和导函数，以便以后复习。文中内容仅为笔者总结，仅供大家参考，其中若有错误请大家批评指正。

在机器学习问题中，主要可分为回归和分类两大问题。

一、回归问题

回归问题主要关注的是一个唯一的因变量（需要预测的值）和一个或多个数值型的自变量（预测变量）之间的关系。

需要预测的值：即目标变量、target、y

预测变量：即影响目标变量的因素，X1…Xn

也就是说我们需要得到一个模型，利用预测变量去得到预测值，再与真实值对比去评估模型的好坏。与真实值对比一般用误差来表示：即预测值与真实值的差值。

我们通常将一个使得整体误差最小的模型叫做最优解，而整体误差通常叫做损失Loss。

（1）线性回归的损失函数

线性回归的损失函数在此不做详细推导。直接给出为：

MSE：

当我们需要进行调参时使得Loss越小越好，即调theta的大小，就需要对theta进行求解。从损失函数的公式可知，Loss=0时说明模型为最优，因此theta的解析解可以通过求解得出。

二、分类问题

分类的本质就是找分界。

（1）逻辑回归的损失函数

逻辑回归不是一个回归的算法，而是一个分类的算法。因为逻辑回归算法是基于多元线性回归的算法，因此被称为线性的分类器。解决非线性问题可以使用多项式回归来进行升维。

逻辑回归的就是在多元线性回归基础上把结果缩放到0-1之间，而预测值越接近+1越是正例，越接近0越是负例。

逻辑回归的损失函数（交叉熵损失）：

 逻辑回归求解最优解模型，即对损失函数求导得：

（2）Softmax回归损失函数

Softmax回归是一种做多分类的算法。对应的公式为：

Softmax回归损失函数：

（3）SVM支持向量机

支持向量机本身是一个二元分类算法，是对感知器算法模型的一种扩展。SVM的损失函数就是合页损失加上正则化。

 总的来说，在机器学习中常用的损失函数有均方差损失MSE，交叉熵损失Cross Entropy Loss，合页损失Hinge Loss。