机器学习中的几个疑难杂症点(7)----SVM的损失函数

今天我们来讨论一下该如何理解svm的hinge损失函数.

一、svm的损失函数是什么

合页损失函数：

下标”+”表示以下取正值的函数，我们用z表示中括号中的部分：

二、如何理解合页损失函数？

下图为合页损失函数的图像（取自《统计学习方法》）：

横轴表示函数间隔，我们从两个方面来理解函数间隔：

1）正负

当样本被正确分类时，y(wx+b)>0；当样本被错误分类时，y(wx+b)<0。

2）大小

y(wx+b)的绝对值代表样本距离决策边界的远近程度。y(wx+b)的绝对值越大，表示样本距离决策边界越远。

因此，我们可以知道：

当y(wx+b)>0时，y(wx+b)的绝对值越大表示决策边界对样本的区分度越好

当y(wx+b)<0时，y(wx+b)的绝对值越大表示决策边界对样本的区分度越差

当样本被正确分类且函数间隔大于1时，合页损失才是0，否则损失是1-y(wx+b)。

相比之下，合页损失函数不仅要正确分类，而且确信度足够高时损失才是0。也就是说，合页损失函数对学习有更高的要求。

参考文档

https://blog.csdn.net/lz_peter/article/details/79614556
https://blog.csdn.net/qq_26598445/article/details/80901249