Hinge Loss与CE Loss的对比分析(全网最透彻清晰解释)

对Hinge Loss和CE Loss进行了对比分析,面试按这个回答肯定是没问题的

Hinge loss不仅会在预测不正确时对预测进行惩罚,甚至会在预测正确 但不确定时对预测也进行惩罚。它会严重惩罚严重错误的预测,对正确但不可靠的预测的惩罚要少一些,而只有确实可靠且正确的预测才不会有惩罚。公式为:
在这里插入图片描述
标签 y i y_i yi为-1或1,只有当预测正确且 ∣ ( h Θ ( x ) ) ∣ ≥ 1 |(h_{Θ}(x))|≥1 (hΘ(x))1时,损失才为0。
例如,如果我们针对特定训练样本的预测概率值为 0.2,但标签为 -1,则我们将受到 1.2 的惩罚;如果我们的预测概率值为 -0.7(标签为-1),我们仍然 产生 0.3 的惩罚,但如果我们预测为-1.1, 则不会产生惩罚。

Hinge Loss与CE Loss之间的主要区别在于,前者试图最大化决策边界和数据点之间的间隔->从而试图确保对每个点进行正确且可靠的分类,一旦满足边界条件,便不再进行进一步优化,更局部一点;而后者更全局一点,其持续在拉高正确分类和拉低错误分类的概率。

举例如下:
如果我们的(未归一化)分数是[10, 8, 8]与[10, -10, -10],则CE Loss会比Hinge Loss要高得多。

两者均可以作为分类的Loss。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Xu_Wave

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值