目标函数思维导图
总结:
1.分类任务
- 交叉墒损失函数在一般的分类问题上最为常用,而且效果还比合页损失函数要好
- 合页损失函数在支持向量机的分类当中最为常见,有时也会作为神经网络的目标函数
- 坡道损失函数可以消除合页损失函数在抵抗噪声能力差的问题,可以提升模型的泛化能力,其中的s一般依靠类别数C而定(-1/(C-1)),称之为截断点。
- 大间隔交叉墒损失函数强调不仅要求分类准确,而且要求分开的类保持较远的距离,可以防止模型过拟合现象发生。效果优于交叉墒和合页损失函数,主要是对比不同的权重参数向量的夹角。主要考虑的是增大类间距离
- 中心损失函数主要考虑减小类内差异。增加交叉墒损失函数的调节项。在人脸识别领域有较大的优势,也可以防止过拟合现象发生,类内差异减小,特征分辨能力增强。
2.回归任务
L1->L2->TB的演变过程,主要看图,TB更好,增加截断点,可以克服在回归任务中的澡点影响
3.标记任务
KL散度