1、均方误差损失函数
蓝色:损失函数图像 绿色:似然函数图像(高斯分布) 橙色:损失函数梯度图像
预测值越接近真实值,梯度下降的越慢(缺点:但有时候预测值偏离真实值较多时,也并不希望梯度下降的过快/用一个很大的梯度更新参数)
2、绝对值损失函数
优点:当预测值偏离真实值较远的时候也是以不变的常数梯度更新参数,带来稳定性上的好处
缺点:0点处不可导,且会有正1和负1的剧烈变化(不平滑性),优化后期不再稳定
3、Huber鲁棒损失函数(相当于L2损失和L1损失的结合)
1、均方误差损失函数
蓝色:损失函数图像 绿色:似然函数图像(高斯分布) 橙色:损失函数梯度图像
预测值越接近真实值,梯度下降的越慢(缺点:但有时候预测值偏离真实值较多时,也并不希望梯度下降的过快/用一个很大的梯度更新参数)
2、绝对值损失函数
优点:当预测值偏离真实值较远的时候也是以不变的常数梯度更新参数,带来稳定性上的好处
缺点:0点处不可导,且会有正1和负1的剧烈变化(不平滑性),优化后期不再稳定
3、Huber鲁棒损失函数(相当于L2损失和L1损失的结合)