损失函数，成本函数和目标函数

一、“损失函数”一般是指对单个样本的做的损失

损失函数  ，一般是针对单个样本 i

二、“成本函数”一般是数据集上总的成本和损失

成本函数  , 一般是针对总体

当然我们也可以加上正则项

成本函数 +正则项

三、目标函数”是一个非常广泛的名称

一般我们都是先确定一个“目标函数”，再去优化它。比如在不同的任务中“目标函数”可以是：

– 最大化后验概率MAP(比如朴素贝叶斯)
– 最大化适应函数(遗传算法)
– 最大化回报/值函数（增强学习）
– 最大化信息增益/减小子节点纯度(CART 决策树分类器)
– 最小化平方差错误成本（或损失）函数（CART，决策树回归，线性回归，线性适应神经元）
– 最大化log-相似度或者最小化信息熵损失（或者成本）函数
– 最小化hinge损失函数（支持向量机SVM）