损失函数与代价函数区别

各种损失函数的优缺点详解

损失函数或者代价函数的目的是:衡量模型的预测能力的好坏。

损失函数(Loss function):是定义在单个训练样本上的,也就是就算一个样本的误差,比如我们想要分类,就是预测的类别和实际类别的区别,是一个样本的哦,用L表示。

代价函数(Cost function):是定义在整个训练集上面的,也就是所有样本的误差的总和的平均,也就是损失函数的总和的平均,有没有这个平均其实不会影响最后的参数的求解结果。

模型在训练阶段会拟合出一个函数,其中的函数是包含参数的。

损失函数或者代价函数越小越好,也就说明预测值和标签的值越接近,模型的预测能力越强。但是如何才能让损失函数或者代价函数的值得到优化,换句话说,优化的就是模型拟合出的函数参数,通过寻找合适参数实现模型的预测能力变强的梦想,如何寻找优秀的参数值,那就需要梯度下降出场解救模型能力。

左侧就是梯度下降法的核心内容,右侧第一个公式为假设函数,第二个公式为损失函数。

左侧 表示假设函数的系数,为学习率。;右侧是模型拟合出来的函数,其中\theta _{0}\theta _{1}是模型的参数,经过训练集每次训练模型得到的,梯度更新通过梯度下降法实现。

对我们之前的线性回归问题运用梯度下降法,关键在于求出代价函数的导数,即:

梯度下降的目的:寻找拟合函数参数的最优值。

  • 10
    点赞
  • 42
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值