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)