在机器学习中，损失函数衡量预测输出与预期值的差距。常见的损失函数包括0-1损失、绝对损失、平方损失和对数损失。每个函数在不同场景下有不同的优势，例如平方损失便于求导，对数损失适用于最大似然估计。损失函数的选取对监督学习模型的优化至关重要。
我们知道，在机器学习中的监督学习算法里，在假设空间中构造一个决策函数 f，对于给定的输入 X，相应的输出
image
与原先的预期值 Y 可能不一致。于是，我们需要定义一个损失函数（Loss Function）来度量这二者之间的“落差”。这个损失函数通常记作 L(Y,
image
)=L(Y,f(X ))，为了方便起见，这个函数的值为非负数。
常见的损失函数有如下四类。
-
0-1 损失函数（0-1 Loss Function）：
image
-
绝对损失函数（Absolute Loss Function）：
L(Y, f(X)) =|Y - f(X)|
- 平方损失函数（Quadratic Loss Function）：
L(Y, f(X))
最低0.47元/天 解锁文章
扫一扫
1264
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
