「(1) 0-1 loss」
記錄分類錯誤的次數，
「(2)Hinge Loss」
最常用在SVM中「最大優化間隔分類」中，對可能的輸出t=±1和分類器分數y，預測值y的hinge loss定義如下：
L(y)=max(0.1-t*y)
「(3)Log Loss對數損失」
對于「對數函式」，由于其具有「單調性」，在求最優化問題時，結果與原始目標一致，在含有乘積的目標函式中(如極大似然函式)，通過「取對數」可以轉化為求和的形式，從而大大簡化目標函式的「求解」程序，
「(4)Squared Loss 平方損失」
即真實值與預測值之差的平方和，通常用于線性模型中，如線性回歸模型，
「(5)Exponential Loss指數損失」
指數函式的特點是越接近正確結果誤差越小，Adaboost演算法即使用的指數損失目標函式，但是指數損失存在的一個問題是誤分類樣本的權重會「指數上升」，如果資料樣本是例外點，會「極大地」干擾后面基本分類器學習效果，
?拜托你一件事兒
關注我一下！
謝謝啦！
?
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/36688.html
標籤：其他
上一篇：Deep Dream模型與實作