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 |
用来估计你模型的预测值与真实值Y的不一致程度,它是一个非负实数值函数。损失函数越小,模型的鲁棒性就越好。是定义在单个样本上的,算的是一个样本的误差。 (1)、均方误差:也叫平方损失,是回归任务中最常见的性能度量。我们把均方误差当做线性回归的损失函数。因此我们可试图让其最小化 |
代价函数 | 定义在整个训练集上的,是所有样本误差的平均,也就是损失函数的平均。 |
目标函数 |
定义为最终需要优化的函数。等于结构风险Cost Function+正则化项。
|
损失函数的案例应用
后期更新……
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相关推荐
- ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失、L1损失、L2损失、Logistic损失)求梯度/求导、案例应用之详细攻略
ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失.L1损失.L2损失.Logistic损失)求梯度/求导.案例应用之详细攻略 目录 常见损失函数求梯度案例 1.线性回归求梯度 2.L ...
- ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介、使用方法、案例应用之详细攻略
ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介.使用方法.案例应用之详细攻略 目录 PSI(稳定度指标)的简介 1.如何计算PSI? (1).PSI计算过程
- ML之ME/LF:机器学习之风控业务中常用模型监控指标CSI(特征稳定性指标)的简介、使用方法、案例应用之详细攻略
ML之ME/LF:机器学习之风控业务中常用模型监控指标CSI(特征稳定性指标)的简介.使用方法.案例应用之详细攻略 目录 CSI(特征稳定性指标)的简介 1.如何计算CSI? 2.CSI值的意义 3. ...
- ML之Validation:机器学习中模型验证方法的简介、代码实现、案例应用之详细攻略
ML之Validation:机器学习中模型验证方法的简介.代码实现.案例应用之详细攻略 目录 模型验证方法的简介 1.Hold-out验证 2.K-折交叉验证 3.自助重采样 模型验证方法的代码实现 ...
- ML之ME/LF:机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介、使用方法、代码实现、案例应用之详细攻略
ML之ME/LF:机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介.使用方法.代码实现.案例应用之详细攻略 目录 回归预测问题中评价指标简介 RMSE 标准差SD MSE函数
- ML:机器学习模型提效之监督学习中概率校准的简介、案例应用之详细攻略
ML:机器学习模型提效之监督学习中概率校准的简介.案例应用之详细攻略 目录 监督学习中概率校准的简介 监督学习中概率校准的概述 监督
- ML:机器学习算法中—因子模型(多变量)、时序模型/时间序列模型(主要以单变量)算法对比的简介、带有时序性的因子模型概述、案例应用之详细攻略
ML:机器学习算法中-因子模型(多变量).时序模型/时间序列模型(主要以单变量)算法对比的简介.带有时序性的因子模型概述.案例应用之详细攻略 目录 因子模型和时序模型/时间序列模型算法的简介 1.因子 ...
- ML:机器学习模型可解释性之explainability和interpretability区别的简介、区别解读、案例理解之详细攻略
ML:机器学习模型可解释性之explainability和interpretability区别的简介.区别解读.案例理解之详细攻略 目录 机器学习模型可解释性之explainability和inter ...
- ML与Optimality:最优化理论(GD随机梯度下降/QN拟牛顿法/CG共轭梯度法/L-BFGS/TR置信域/GA遗传算法/SA模拟退火算法)在机器学习中的简介、常用方法、案例应用之详细攻略
ML与Optimality:最优化理论(GD随机梯度下降/QN拟牛顿法/CG共轭梯度法/L-BFGS/TR置信域/GA遗传算法/SA模拟退火算法)在机器学习中的简介.常用方法.案例应用之详细攻略 目录 ...
最新文章
- Angularjs集成第三方js插件之Uploadify
- Linux日常运维--6
- Unity iPhone Touch Animation Tutorial,untiy3d iphone简单动画开发教程
- python 获取文件列表
- lisp 角平分线_最佳VisualLISP及VBAforAutoCAD2000程序123例 张光斌.pdf
- CodeForces - 1407D Discrete Centrifugal Jumps(单调栈+dp)
- python的Web编程
- 串口之GetCommTimeouts、SetCommTimeouts函数详解
- Uncaught SyntaxError: Unexpected identifier异常
- 每周到岗上班3天,2天可在家办公!携程3+2工作模式来了
- Atitit api design Usability simple 易用性之简单化设计 目录 1. 理论原则	2 1.1. 概念简单	2 1.2. 切换到了“write less, do more
- 德标螺纹规格对照表_德标DIN934六角螺母,不锈钢六角螺母DIN934
- Python手撕周杰伦158首歌之后,结果很尴尬,TF-IDF有缺陷,以为AI是王者
- Android编程权威指南
- Java、JSP电子商城
- 2017-2018 ACM-ICPC, Asia Daejeon Regional Contest
- Java 将小写的数字转换成对应的大写的汉字数字
- 论文《Avoiding Inference Heuristics in Few-shot Prompt-based Finetuning》学习笔记
- VR全景购物,2022年的购物新方式
- svg实现直线带左箭头
热门文章
- Linux 打开/关闭CPU命令
- 工匠精神,缔造美国净水传奇
- Serializable:明明就一个空接口!为什么还要实现它?
- 不懂算法,还想进大厂?做梦吧
- 使用Nomad和OpenFaaS提供FaaS服务
- Redis:redis入门
- com.fasterxml.jackson.databind.JsonMappingException: Multiple back-reference properties with name ‘d
- Java实现搜索回溯经典题目
- php多个参数伪静态,伪静态技术与页面多参数传送的处理办法
- linux去掉java路径_Java显示目录文件列表和删除目录