机器学习－－损失函数

1. 介绍损失函数之前首先介绍两种风险：经验风险和结构风险

       1) 经验风险最小化的策略认为，根据已知样本，求得误差最小的模型最优，即经验风险最小的模型就是最优的模型。（经验风险最小能保证模型在训练集上取得较好的效果，但当训练集较小时，训练集不能代表全体样本，从而导致模型泛化能力差），通常形式为：其中f(x)为预测结果，y为实际结果

 

       2) 经验风险函数常用的有以下几种：

•  a. 0-1损失函数(0-1 loss function)   
  L (Y ,f (X ))=0, Y ≠f (X )
                      1, Y =f (X )   
   b. 平方损失函数（quadratic loss function） 对应算法：大部分使用mse评价的算法

   
  L (Y ,f (X ))=(Y–f(X))²
   

   c.绝对损失函数（absolute loss function） 
   L (Y ,f (X ))=|Y −f (X )| 

   

   d. 对数损失函数（logarithmic loss function）或对数似然损失函数 对应算法：逻辑回归
   L (Y ,P(Y |X ))=–l ogP(Y |X )  

  e. 指数损失函数 对应算法：adboost

  exp(-yf(x) ) 指数损失函数是0，1损失函数的变形

  
  f. hinge loss 对应算法：svm

  |(y)=max (0,1−t ⋅y)|

  其含义为，y的值在-1到1之间就可以了，并不鼓励  |y|>1   ，即并不鼓励分类器过度自信，让某个可以正确分类的样本距离分割线的距离超过1并不会有任何奖励。从而使得分类器可以更专注整体的分类误差

  3) 结构风险最小化：结构风险在经验风险上加上表示模型复杂度的正则化项或罚项，即模型越复杂结构风险越大，从而保证模型不容易过拟合，通常形式为：其中λ为惩罚系数

       

        2. 损失函数（loss function）则是用来评估模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，模型的鲁棒性就越好。通常为了保证模型的误差尽可能小同时模型复杂度尽可能低，损 失函数就包含了经验风险项和结构风险（正则化项），通常可以表示成如下式子： 

参考：http://blog.csdn.net/zouxy09/article/details/24971995/