损失函数_损失函数 - Hinge

本文讨论Hinge损失函数，该函数是机器学习中常用的损失函数之一。

---

函数特性

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

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。），

表示正确的类别。

• 如果
  ，则损失为：
• 如果
  ，则损失为：0

其函数图像如下，与0-1损失对比：

优化

以支持向量机为例，其模型为：

，如果用hinge损失，其求导结果如下：

变种

实际应用中，一方面很多时候我们的y的值域并不是[-1,1]，比如我们可能更希望y更接近于一个概率，即其值域最好是[0,1]。另一方面，很多时候我们希望训练的是两个样本之间的相似关系，而非样本的整体分类，所以很多时候我们会用下面的公式：

其中，y是正样本的得分，y’是负样本的得分，m是margin（自己选一个数）

即我们希望正样本分数越高越好，负样本分数越低越好，但二者得分之差最多到m就足够了，差距增大并不会有任何奖励。

比如，我们想训练词向量，我们希望经常同时出现的词，他们的向量内积越大越好；不经常同时出现的词，他们的向量内积越小越好。则我们的hinge loss function可以是：

其中，w是当前正在处理的词，

是w在文中前3个词和后3个词中的某一个词，

是随机选的一个词。

参考

[1]. Wikiwand Hinge loss

[2]. 损失函数：Hinge Loss（max margin）