ML之ME/LF：机器学习中的模型评估指标/损失函数(连续型/离散型)的简介、损失函数/代价函数/目标函数之间区别、案例应用之详细攻略

ML之ME/LF：机器学习中的模型评估指标/损失函数(连续型/离散型)的简介、损失函数/代价函数/目标函数之间区别、案例应用之详细攻略

目录

损失函数的简介

损失函数/代价函数/目标函数之间区别

损失函数的案例应用

损失函数的简介

      损失函数，又称目标函数，或误差函数，用来度量网络实际输出与期望输出之间的不一致程度，指导网络的参数学习和表示学习。

0、损失函数特点

• 损失函数是一个非负实值函数。
• 针对不同的问题，会采用不同的损失函数
  – 回归问题(连续型)：平方损失等
  – 分类问题(离散型)：对数损失、交叉熵等
• 不同的损失函数会影响网络的训练速度和网络的泛化性能

1、损失函数-连续型输出

平方损失函数(Square Loss)

绝对值损失函数(Absolute Value Loss)

2、损失函数-离散型输出

交叉熵损失(Cross-Entropy Loss； Log Loss)，交叉熵损失：真实概率?? ; 模型预测概率??

熵：用于度量变量的不确定性程度
交叉熵：主要用于度量两个概率分布间的差异性信息

(1)、二分类问题的交叉熵损失函数：
          对于样本（?, ?），?为样本， ?为对应的标签, 在二分类问题中，其取值的集合可能为{0，1}。假设某个样本的真实标签为?，该样本的? = 1的概率为?，则该样本的损失函数为：− (????(?) + 1 − ? log(1 − ?))。

2.1、交叉熵和Softmax在多分类问题的结合应用

ML之SR：Softmax回归(Softmax Regression)的简介、使用方法、案例应用之详细攻略

损失函数/代价函数/目标函数之间区别

损失函数的案例应用

后期更新……