机器学习之Huber loss

 
 
        Huber Loss 是用于回归问题的带参损失函数, 优点是能增强平方误差损失函数(MSE, mean square error)对离群点的鲁棒性。

• 当预测偏差小于 δ 时，它采用平方误差,
• 当预测偏差大于 δ 时，采用的线性误差。

具体定义如下：
                        
其中 a 表示误差，即 $y-\hat{y}$ 或者 $y-f(x)$，因此上式可变为：
                        

示例如下：

import numpy as np
import matplotlib.pyplot as plt
 
def huber_loss(a, d):                    # Definition
    return (abs(a)<=d)*a**2/2 + (abs(a)>d)*d*(abs(a)-d/2)
 
plt.figure(figsize=(6, 4.5), facecolor='w', edgecolor='k')

x = np.arange(-30, 30)
plt.plot(x, x**2/2, lw=2,label='Squared loss', color='g')
for d in (10, 6, 3, 1):
    plt.plot(x, huber_loss(x, d), label=r'Huber loss: $\delta$={}'.format(d), lw=2)
 
plt.legend(loc='best', frameon=False)
plt.xlabel('standard deviation')
plt.ylabel('loss')
plt.show()

                        

δ 是 HuberLoss 的参数，y 是真实值，f(x) 是模型的预测值, 横坐标 x 则是误差值。

Reference：

1. 【机器学习】Huber loss
2. Huber Loss