机器学习——损失函数

最新推荐文章于 2024-01-04 11:32:08 发布

风月雅颂

最新推荐文章于 2024-01-04 11:32:08 发布

阅读量1.5k

点赞数 27

分类专栏：机器学习-基于sklearn 文章标签：机器学习人工智能 scikit-learn python

本文链接：https://blog.csdn.net/qq_41566819/article/details/135144810

版权

机器学习-基于sklearn 专栏收录该内容

25 篇文章 1 订阅

订阅专栏

【说明】文章内容来自《机器学习——基于sklearn》，用于学习记录。若有争议联系删除。

1、简介

损失函数(loss function)又称为误差函数(error function)，是衡量模型好坏的标准，用于估量模型的预测值与真实值的不一致程度，是一个非负实值函数。损失函数的一般表示为L(y,f(x))，用以衡量真实值y与预测值f(x)不一致的程度，一般越小越好。

        损失函数对模型进行评估，并且为模型参数的优化提供了方向。损失函数的选取依赖于参数的数量、异常值、机器学习算法、梯度下降的效率、导数求取的难易和预测的置信度等。
        损失函数与代价函数(cost function)相似，可以互换使用。区别在于，损失函数用于单个训练样本。而代价函数是整个训练数据集的所有样本误差的平均损失。
        损失函数有回归损失(regression loss)和分类损失(classification loss)两类。

2、回归损失

2.1 MAE

平均绝对误差(Mean Absolute Error, MAE)又称L1损失，是指预测值与真实值之间平均误差的大小，反映了预测值误差的实际情况,用于评估预测结果和真实数据集的接近程度。其值越小，说明拟合效果越好。
平均绝对误差的表达形式为

$MAE=\frac{1}{n}\sum_{i=1}^{n}|\hat{y_{i}}-y_{i}|$
MAE 函数示例，其中，真实目标值为100，预测值为-10 000~10000。预测值(Predictions)为100时，MAE 损失(MAE Loss)达到其最小值。损失范围为[0, $\infty$ ]。

Sklearn提供了mean_absolute_error函数用于求平均绝对误差，格式如下:

sklearn.metrics.mean_absolute_error(y_true, y_pred)

【参数说明】

y_true:真实值。
y_pred:预测值。

2.2 MSE

均方误差(Mean Squared Error,MSE)又称L2损失，是最常用的回归损失评估指标，反映了观测值与真值偏差的平方之和与观测次数的比值，是预测值与真实值之差的平方之和的平均值。其值越小，说明拟合效果越好。
均方误差的表达形式为

$MSE=\frac{1}{n}\sum_{i=1}^{n}(\hat{y_{i}}-y_{i})^{2}$
MSE 函数示例,其中,真实目标值为100，预测值为一10 000~10 000。预测值(Predictions)为100时，MSE 损失(MSE Loss)达到其最小值。损失范围为[0, $\infty$ ]。

Sklearn提供了mean_squared_error函数用于求均方误差，格式如下：

sklearn.metrics.mean_squared_error(y_true, y_pred)

【参数说明】

y_true:真实值。
y_pred:预测值。

2.3 RMSE

RMSE 是根均方误差(Root Mean Square Error)，其取值范围为[0,+ $\infty$ )。其表达为：

$RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y_{i}}-y_{i})^{2}}$
取均方误差的平方根可以使得量纲一致，这对于描述和表示有意义。

2.4 R2分数

分类问题用F1_score进行评价。在回归问题中，相应的评价标准是决定系数(coefficient of determination)，又称为 $R^{2}$ 分数，简称 $R^{2}$ 。使用同一算法模型解决不同的问题，由于数据集的量纲不同，MSE，RMSE 等指标不能体现模型的优劣。而 $R^{2}$ 分数的取值范围是[0,1]，越接近1，表明模型对数据拟合较好；越接近0，表明模型拟合较差。

Sklearn提供了r2_score函数用于表示决定系统，格式如下:

sklearn.metrics.r2_score(y_true, y_pred)

回归损失示例:

import numpy as np
from sklearn import metrics
from sklearn.metrics import r2_score
y_true = np.array([1.0,5.0,4.0,3.0,2.0,5.0,-3.0])
y_pred = np.array([1.0,4.5,3.5,5.0,8.0,4.5,1.0])
#mae
print("MAE:", metrics.mean_absolute_error(y_true, y_pred))
#MSE
print('MSE:', metrics.mean_squared_error(y_true, y_pred))
#RMSE
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_true, y_pred)))
#R Squared
print('R Square:', r2_score(y_true, y_pred))

【运行结果】

2.5 Huber损失

均方损失(MSE)对于异常点进行较大惩罚，不够健壮。平均绝对损失(MAE)对于较多异常点表现较好，但在y-f(x)=0处不连续可导，不容易优化。
L1损失函数与L2损失函数对比如表所示。

L1损失函数	L2损失函数
健壮	不够健壮
不稳定解	稳定解
可能多个解	总是一个解

Huber 损失是对MSE 和MAE 缺点的改进。

当|y-f(x)|小于指定的 $\delta$ 值时，Huber 损失变为平方损失；

当大于 $\delta$ 值时，Huber 损失类似于绝对值损失。回归损失函数对比如图所示。

sklearn.linear_model提供了HuberRegressor函数用于Huber损失，格式如下：

huber = HuberRegressor()

示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import HuberRegressor

y_train = np.array([368, 340, 376, 954, 331, 856])
x_train = np.array([1.7, 1.5, 1.3, 5, 1.3, 2.2])
plt.scatter(x_train, y_train, label = 'Train Samples')
x_train = x_train.reshape(-1,1)#reshape(-1,1)转换成1列：
#L2损失函数
lr = LinearRegression()
lr.fit(x_train, y_train)
a = range(1,6)
b = [lr.intercept_ + lr.coef_[0] * i for i in a]#.intercept_截距；.coef_权重
plt.plot(a, b, 'r', label = "Train Samples")
#Huber 损失函数
huber = HuberRegressor()
huber.fit(x_train, y_train)
a = range(1,6)
b = [huber.intercept_ + huber.coef_[0] * i for i in a]
plt.plot(a, b, 'b', label = 'Train Samples')

print('L2损失函数：y = {:.2f} +{:.2f} * x'.format(lr.intercept_, lr.coef_[0]))

print("huber 损失函数:y = {:.2f} +{:.2f} * x".format(huber.intercept_, huber.coef_[0]))

【运行结果】

3、分类损失

3.1常见损失函数

平方损失函数。
绝对误差损失函数。
0-1损失函数。
对数损失函数。
铰链损失函数。

3.2 平方损失函数

平方损失(squared loss)函数计算实际值和预测值之差的平方，又称为L2损失函数，一般用在线性回归中，可以理解为最小二乘法。其表达形式为

$L = (y-f(x))^{2}$
相应的成本函数是这些平方误差的平均值(MSE)。

3.3 绝对误差损失函数

绝对误差损失(absolute error loss)函数计算预测值和实际值之间的距离，用在线性回归中。绝对误差损失函数也称为L1损失函数。绝对误差损失函数的表达形式为

$L = |y-f(x)|$
相应的成本函数是这些绝对误差的平均值(MAE)。

3.4 0-1损失函数

0-1损失(zero-one loss)函数当预测标签和真实标签一致时返回0，否则返回1。0-1损失函数的表达形式为

Sklearn 提供了zero_one_loss函数，格式如下:

sklearn.metrics.zero_one_loss(y_true, y_pred, normalize)

【参数说明】

y_true:真实值。
y_pred:预测值。
normalize:取值为True，返回平均损失；取值为 False，返回损失之和。

示例：

from sklearn.metrics import zero_one_loss
import numpy as np
#二分类问题
y_pred = [1,2,3,4]
y_true = [2,2,3,4]
print(zero_one_loss(y_true, y_pred))
print(zero_one_loss(y_true, y_pred, normalize = False))
#多分类问题
print(zero_one_loss(np.array([[0,1],[1,1]]), np.ones((2,2))))
print(zero_one_loss(np.array([[0,1],[1,1]]), np.ones((2,2)), normalize = False))

3.5 对数损失函数

当预测值和实际值的误差符合高斯分布，使用对数损失(logarithmic loss)函数，其主要应用在逻辑回归中。对数损失函数的数学表达式是如下分段函数：

当y=1时，表示真实值属于这个类别；

当y=0时，表示真实值不属于这个类别。
Sklearn提供了log_loss函数,语法如下:

sklearn.metrics.log_loss(y_true,y_pred)

示例：

from sklearn.metrics import log_loss
y_true = [0,0,1,1]
y_pred = [[0.9, 0.1], [0.8, 0.2], [0.3, 0.7], [0.01, 0.99]]
print(log_loss(y_true, y_pred))

3.6 铰链损失函数

铰链损失函数（hinge Loss）函数用于评价支持向量机。Sklearn 提供了hinge_loss函数，格式如下：

sklearn.metrics.hinge_loss(y_true,y_pred)

示例：

from sklearn import svm
from sklearn.metrics import hinge_loss
x = [[0],[1]]
y = [-1, 1]
est = svm.LinearSVC(random_state = 0)
print(est.fit(x, y))
pred_decision = est.decision_function([[-2], [3], [0.5]])
print(pred_decision)
print(hinge_loss([-1, 1, 1], pred_decision))

【运行结果】

风月雅颂

关注

27
点赞
踩
21

收藏

觉得还不错? 一键收藏
0
评论
机器学习——损失函数

损失函数(loss function)又称为误差函数(error function)，是衡量模型好坏的标准，用于估量模型的预测值与真实值的不一致程度，是一个非负实值函数。损失函数的一般表示为L(y,f(x))，用以衡量真实值y与预测值f(x)不一致的程度，一般越小越好。
复制链接

扫一扫