在机器学习和深度学习中,我们通常只需要掌握三个步骤就可以完成训练了,拿起数据(特征),搭上模型(目标函数,损失函数,代价函数),不断优化(优化函数-梯度下降,adam,动量-找到最优的W),就可以完成了
1. 损失函数、代价函数与目标函数
损失函数(Loss Function):是定义在单个样本上的,是指一个样本的误差。
代价函数(Cost Function):是定义在整个训练集上的,是所有样本误差的平均,也就是所有损失函数值的平均。
目标函数(Object Function):是指最终需要优化的函数,一般来说是经验风险+正则化,也就是(代价函数+正则化项)。
损失函数:
……0-1损失函数
……平方损失函数
……绝对值损失函数
……对数损失函数
……指数损失函数
……铰链损失函数
代价函数:
……均方误差
……均方根误差
……平均绝对误差
……交叉熵代价函数
2. 损失函数
(1)0-1损失函数(0-1 loss function) -----------感知机
(2)平方损失函数(quadratic loss function)------------线性回归
(3)绝对值损失函数(absolute loss function)
(4)对数损失函数(logarithmic loss function)-----------逻辑回归
(5)指数损失函数(Exponential Loss Function)----------adaboost
(6)铰链损失函数(Hinge loss) ----------SVM
Hinge loss一般分类算法中的损失函数,尤其是SVM。 其中 y=+