目录
一、损失函数
二、交叉熵损失函数详解
1、交叉熵
2、信息量
3、信息熵
4、相对熵(KL散度)
5、交叉熵
6、交叉熵在单分类问题中的应用
7、总结:
三、过拟合和欠拟合通俗解释
1、过拟合
2、欠拟合
3、原因和方法此处不再说明
一、损失函数
损失函数(loss function)是用来估量你模型的预测值与真实值的差异程度,损失函数越小,模型的鲁棒性就越好。
常用损失函数小结
- 平方损失
- 0-1损失
- Log损失
- Hinge损失
- 指数损失
- 感知损失
一般使用交叉熵作为损失函数时,在模型的输出层总会接一个softmax函数。
交叉熵
主要用于度量两个概率分布间的差异性,要理解交叉熵,需要先了解下面几个概念。
1、信息量
信息量的大