損失函數loss總結
-
- What
- 常見的損失函數
-
- 回歸任務
-
- 均方誤差
- 補充
- 分類任務
-
- 交叉熵(cross entropy)
- SVM損失
- 補充
What
在機器學習中,損失函數(loss function)是用來估量模型的預測值f(x)與真實值y的不一緻程度。
常見的損失函數
回歸任務
均方誤差
一般最常用
E ( f ; D ) = 1 m ∑ i = 1 m ( f ( x i ) − y i ) 2 E(f;D)= \frac{1}{m} \sum_{i=1}^{m} (f(x_{i})-y_{i})^2 E(f;D)=m1i=1∑m(f(xi)−yi)2
補充
分類任務
交叉熵(cross entropy)
主要度量兩個機率分布間的差異性資訊。
給定兩個機率分布:p(理想結果即正确标簽向量)和q(一般為神經網絡輸出結果經過softmax轉換後的結果向量)
softmax用于多分類過程中,它将多個神經元的輸出,映射到(0,1)區間内轉換到q:
s o f t m a x ( x i ) = e x i ∑ j e x j softmax(x_i)=\frac{e^{x_i}}{\sum_j e^{x_j}} softmax(xi)=∑jexjexi
通過q來表示p的交叉熵為:
H ( p , q ) = − ∑ i = 1 m p ( x ) log q ( x ) H(p,q)= -\sum_{i=1}^{m} p(x) \log{q(x)} H(p,q)=−i=1∑mp(x)logq(x)
另外,它和資訊熵很相似,但他們的本質有很大的不同
E n t ( D ) = − ∑ k = 1 ∣ m ∣ p k log 2 p k Ent(D) = - \sum_{k=1}^{|m|} p_{k} \log_{2} {p_k} Ent(D)=−k=1∑∣m∣pklog2pk
其中的向量元素代表各個類樣本(m種)在總集合D中的比例,其值越小,D的純度越高
(資訊熵是資訊論中用于度量資訊量的一個概念。一個系統越是有序,資訊熵就越低;反之,一個系統越是混亂,資訊熵就越高。)
SVM損失
min w , b 1 2 ∣ ∣ ω ∣ ∣ 2 + ∑ i = 1 m α i ( 1 − y i ( w T x i + b ) ) \min_{\bm{w},b} \frac{1}{2}||\bm{\omega}||^2+\sum_{i=1}^{m} \alpha _i(1-y_i(\bm{w^Tx_i} + b)) w,bmin21∣∣ω∣∣2+i=1∑mαi(1−yi(wTxi+b))
拉格朗日子乘法
西瓜書P123