代价函数又叫损失函数,用来度量f(x)和Y的误差程度,记作L(Y,f(x))。
常用代价函数:
0-1损失函数,平方损失函数,绝对损失函数 ,对数损失函数。
机器学习的目标是让E(L(Y,f(x)))最小。
平均损失称为经验风险或经验损失。
经验风险最小化:经验风险模型最优。样本容量较大时较好。例子:极大似然估计(需搞清楚)。
样本过小时用经验风险容易过拟合。
结构风险最小化:正则化。在经验风险上加了表示模型复杂度的正则化项或罚项,即 k J(f)。例子:贝叶斯估计中最大后验概率估计(MAP)。
下面介绍常见机器学习算法中的代价函数:
感知机模型:
损失函数:误分类点到超平面S的距离。