1. 定义
转载来自 几种常见的损失函数
损失函数(Loss Function)是用来评估模型好坏程度,即预测值f(x)与真实值的不一致程度,通常表示为L(Y, f(x))的一个非负的浮点数。比如你要做一个线性回归,你拟合出来的曲线不会和原始的数据分布是完全吻合(完全吻合的话,很可能会出现过拟合的情况),这个差距就是用损失函数来衡量。
那么损失函数的值越小,模型的鲁棒性也就越好,对新数据的预测能力也就越强
- 损失函数(Loss Function) :直接作用于单个样本,用来表达样本的误差
- 风险函数(Risk function):风险函数是损失函数的期望
- 代价函数(Cost Function)或者经验风险(Empirical Risk):作用于整个训练集,是整个样本集的平均误差,对所有损失函数值的平均
- 目标函数(Object Function)或者结构风险函数 :是我们最终要优化的函数,也就是代价函数+正则化函数(经验风险+结构风险)
2. 损失函数分类
转载来自
几种常见的损失函数