分类任务的损失函数的设置
y*f(x)被称为margin,类似于回归分析中的残差,例子:
sign(f(x)) = +1/-1, f(x)>0/f(x)<0
yf(x)>0,则表示样本分类正确,yf(x)<0则表示分类错误;
所以分类任务尽量要最大化margin
Hinge Loss/Multi class SVM Loss
中文名叫铰接损失,用来作为分类器的损失函数。常被用于“最大间隔分类”。
y分类器原始输出,非标签输出,预期输出t,t为+1或者-1。
如果t和y为相同的符号时,loss较小;离margin越远,loss越小,loss最小是0。
例子:
交叉熵/Negative Log Likelihood
举例分析:
如果真实label是1的话,公式的后半部分去不存在;所以如果如果值越大,则整个loss越小。
Logistic Loss
指数函数是正向的,所以margin越大,损失函数越小。
指数损失函数
其他损失函数
0-1损失函数
绝对值损失函数