L1和L2损失函数(L1 and L2 loss function)及python实现

weixin_43216017

于 2019-02-28 22:11:05 发布

阅读量3.6w

点赞数 19

分类专栏：机器学习编程 python 文章标签： loss function l1 l2 numpy

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_43216017/article/details/88017122

版权

本文介绍了L1和L2损失函数在机器学习中的应用，包括它们的定义、区别以及在异常值处理和解稳定性方面的特点。L1损失函数具有较强的鲁棒性，而L2损失函数在回归问题中常见，如最小二乘法。通过numpy库，我们可以实现这两种损失函数的计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在我们做机器学习的时候，经常要选择损失函数，常见的损失函数有两种：L1-norm loss function和L2-norm loss function。

需要注意的是，损失函数(loss function)和正则化(regularity)是两种不同的东西，虽然思路类似，但是他们却有着完全不同的作用和目的。本文主要讲损失函数。

L1和L2正则化讲解

L1和L2 损失函数定义

L1损失函数

使用L1损失函数也被叫做最小化绝对误差(Least Abosulote Error)。这个名称非常的形象。LAE就是最小化真实值 $y_i$ 和预测值 $f(x_i)$ 之间差值 $D_{L1}$ 的绝对值的和。
$D_{L1} = \sum_{i=1}^{n}|y_i-f(x_i)|$

最低0.47元/天解锁文章

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。