SVM and Softmax
当评分函数输出结果与真实结果之间差异越大,损失函数输出越大,反之越小。
SVM Loss function
hinge loss
(折叶损失)
假设有3个分类,并且得到了分值s=[13,-7,11]。其中第一个类别是正确类别,即yi=0。同时假设是10。
=0+8=8
L2-SVM(平方折叶损失SVM)
我们对于预测训练集数据分类标签的情况总有一些不满意的,而损失函数就能将这些不满意的程度量化。
-
多类SVM“想要”正确类别的分类分数比其他不正确分类类别的分数要高,而且至少高出delta的边界值。
-
如果其他分类分数进入了红色的区域,甚至更高,那么就开始计算损失。如果没有这些情况,损失值为0。
-
目标是找到一些权重,它们既能够让训练集中的数据样例满足这