Hinge Loss简介

最新推荐文章于 2020-09-10 12:10:12 发布
VIP文章 最新推荐文章于 2020-09-10 12:10:12 发布
阅读量1.3w 收藏 27
点赞数 5
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/richard_che/article/details/106202504
版权

Hinge Loss简介

标准Hinge Loss

  1. Hinge本身是用于分类的Loss，给定Label y = ± 1 y=\pm 1 y=±1
  2. 这个Loss的目的是让预测值 y ^ ∈ R \hat{y} \in R y^​∈R和 y y y相等的时候，返回0，否则返回一个线性值
  3. 基于2的需求，Hinge Loss的定义： L ( y ^ ) = m a x ( 0 , 1 − y ⋅ y ^ ) L(\hat{y}) = max(0, 1-y \cdot \hat{y}) L(y^​)=max(0,1−y⋅y^​)。当 y y y和 y ^ \hat{y} y^​相等，Loss等于0，下面是分类讨论。对应的图像如下图所示：
    • y = 1，那么 1 − y ⋅ y ^ = 1 − y ^ 1-y \cdot \hat{y} = 1 - \hat{y} 1−
最低0.47元/天 解锁文章
Richard_Che
关注
  • 5
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
理解Hinge Loss (折页损失函数、铰链损失函数)
jacke121的专栏
05-19 6440
理解Hinge Loss (折页损失函数、铰链损失函数) 原文：https://blog.csdn.net/fendegao/article/details/79968994 Hinge Loss是机器学习领域中的一种损失函数，可用于“最大间隔(max-margin)”分类，其最著名的应用是作为SVM的目标函数。 在二分类情况下，公式如下： L(y) =max(0 , 1 –t⋅...
混频因子模型matlab代码-computervision-siamdw:使用FocalLoss和HingeLoss更新了SiamDW
06-08
混频因素模型 matlab代码用于实时视觉跟踪的具有铰链损失的 Siamese 网络 介绍 Siamese 网络因其平衡的效率、准确性和速度而在视觉跟踪领域非常受欢迎。 但是，这些跟踪器中使用的骨干网络仍然是经典的 AlexNet，它没有捕获现代深度神经网络的功能。 我们通过以下方式提高全卷积孪生跟踪器性能的建议： 使用 Hinge 损失函数提高 SiamDW 实现的性能 主要结果 结果基于 CIRResNet22​​-RPN 模型，使用更简单的损失函数（逻辑损失），而不是我们的铰链损失函数 VOT 和 OTB 的主要结果 楷模 VOT16 VOT17 VOT18 物流损失 0.331 0.376 0.294 铰链损失（我们的） 0.312 0.318 0.322 焦点损失（我们的） --- --- --- 环境 初始环境：GPU：NVIDIA .GTX 1050 高级环境：代码使用 Ryzen 5 1600x 6 core 12 thread CPU @ 4.20GHz RAM：16GB GPU：NVIDIA .RTX2060 训练 数据准备 有预处理的数据集VID 、 YTB 、
Hinge Loss
FinnTheHuman的博客
03-28 903
Hinge Loss简介 Hinge Loss是一种目标函数（或者说损失函数）的名称，有的时候又叫做max-margin objective。其最著名的应用是作为SVM的目标函数。 其二分类情况下，公式如下：  l(y)=max(0,1−t⋅y) 其中，y是预测值（-1到1之间），t为目标值（±1）。 其含义为，y的值在-1到1之间就可以了，并不鼓励|y|
合页损失函数 HingeLoss
赵亮的CSDN博客
05-23 3962
理解Hinge Loss (折页损失函数、铰链损失函数) Hinge Loss 是机器学习领域中的一种损失函数，可用于“最大间隔(max-margin)”分类，其最著名的应用是作为SVM的目标函数。 在二分类情况下，公式如下： L (y) = max(0 , 1 – t⋅y) 其中，y是预测值(-1到1之间)，t为目标值(1或 -1)。其含义为，y的值在 -1到1之间即可，并不鼓励 |y|>1，即让某个样本能够正确分类就可以了，不鼓励分类器过度自信，当样本与分割线的距离超过1时并不会有任何奖励。目的在
SVM损失函数--Hinge loss 简介
weixin_42108090的博客
09-10 2523
在机器学习中，hinge loss是一种损失函数，它通常用于"maximum-margin"的分类任务中，如支持向量机。数学表达式为： 其中 y^\hat{y}y^​ 表示预测输出，通常都是软结果（就是说输出不是0，1这种，可能是0.87。）， y 表示正确的类别(标签)。 如果 yy^<1y\hat{y}<1yy^​<1 ，则损失为： 1−yy^1-y\hat{y}1−yy^​ 如果 yy^≥1y\hat{y}\ge1yy^​≥1 ，则损失为：0 SVM的损失函数就是Hinge l
hinge loss
小麦粒的Python
07-26 7137
在机器学习中，hinge loss作为一个损失函数(loss function)，通常被用于最大间隔算法(maximum-margin)，在网上也有人把hinge loss称为铰链损失函数，它可用于“最大间隔(max-margin)”分类，其最著名的应用是作为SVM的损失函数。而最大间隔算法又是SVM(支持向量机support vector machines)用到的重要算法(注意：SVM的学习算法有两种解释：1. 间隔最大化与拉格朗日对偶；2. Hinge Loss)。
Hinge loss
热门推荐
hustqb的博客
10-25 6万+
声明： 参考自维基百科 后面可能会更新 Hinge Loss   在机器学习中，hinge loss作为一个损失函数(loss function)，通常被用于最大间隔算法(maximum-margin)，而最大间隔算法又是SVM(支持向量机support vector machines)用到的重要算法(注意：SVM的学习算法有两种解释：1. 间隔最大化与拉格朗日对偶；2. Hinge L...
基于ML loss的SVM分类算法
04-30
为了提高SVM在噪声环境下的分类效果，提出使用结合了pinball和LS损失函数的ML loss来降低对噪声的敏感性，将其应用到SVM中得到MLSVM模型。根据LS损失函数具有结构风险最小化的特性和等式约束来简化求解过程，然后...
Pytorch中的CrossEntropyLoss()函数案例解读和结合one-hot编码计算Loss
01-20
criterion = nn.CrossEntropyLoss().cuda() loss = criterion(output, target) 即使用torch.nn.CrossEntropyLoss()作为损失函数。 那nn.CrossEntropyLoss()内部到底是啥？？ nn.CrossEntropyLoss()是torch.nn中包装...
Pytorch 的损失函数Loss function使用详解
01-20
损失函数一般分为4种，平方损失函数，对数损失函数，HingeLoss 0-1 损失函数，绝对值损失函数。 我们先定义两个二维数组，然后用不同的损失函数计算其损失值。 import torch from torch.autograd import Variable ...
Python实现基于SVM的分类器的方法
01-01
本文代码来之《数据分析与挖掘实战》，在此基础上补充完善了一下~ 代码是基于SVM的分类器Python实现，原文章节题目和code关系不大，或者说给出已处理好数据的方法缺失、源是图像数据更是不见踪影，一句话就是练习...
MxNet 学习笔记(1)：MxNet中的NDArray
richard_che的博客
06-24 1万+
NDArray在MxNet中，NDArray是所有数学运算的核心数据结构，与Numpy中的ndarray相似。与numpy相比，MxNet中的NDArray有以下的优点： 对平台通用：在CPU GPU下都兼容 可以自动地并行化 NDArray的创建在Mxnet中，NDArray实质上指的是mx.nd.array，并且有以下几种常用的属性： ndarray.shape: The dimensions
MxNet学习笔记(2):GPU支持以及其他
richard_che的博客
06-25 5427
GPU的使用 在MxNet中，可以通过gpu_device=mx.gpu()来创建GPU的context 创建矩阵的时候，可以通过a = mx.nd.ones((100,100))来创建 需要执行一个函数的时候，可以通过以下方式在GPU上执行： gpu_device=mx.gpu() # Change this to mx.cpu() in absence of GPUs. def
MxNet学习笔记(3):关于Symbol
richard_che的博客
06-25 3340
Symbol与caffe类似，MxNet中定义了符号运算。我对符号运算的理解是：区别于之前介绍的NDArray，通过符号，我们可以定义出一系列的表达式，或者网络。这样定义出来的表达式或网络有点类似于数学中的函数式，比如f(x)=ax+bf(x) = ax + b，这时候，aa,xx,bb,都仅仅是一些符号，本身的值是未确定的。当这些符号被赋予具体的数值时，才能计算出函数式本身的值f(x)f(x)。而
Convolution & DepthWise Conv
richard_che的博客
05-23 714
CNN中的卷积(Convolution)操作详解 CNN中的卷积层为了能适配NCHW这样的layout，将卷积的参数也设计成４维矩阵的形式，如下图所示（假设batch size = 1） h,ｗ分别为卷积核的大小，比如（５，５），（３，３） 一个卷积核：定义为(1, C, h, w)这样的格式，C为输入特征图的通道数 输入特征图经过一个卷积核后变成1*1*H/s*W/s，其中s为卷积的步长(stride) 如果输出通道数为M，则会有M个这样的卷积核（绝大多数情况下这M个卷积核的参数或者说权重都不相

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值