“(1) 0-1 loss”

记录分类错误的次数。

“(2)Hinge Loss”

最常用在SVM中“最大优化间隔分类”中，对可能的输出t=±1和分类器分数y，预测值y的hinge loss定义如下：

L(y)=max(0.1-t*y)

“(3)Log Loss对数损失”

对于“对数函数”，由于其具有“单调性”，在求最优化问题时，结果与原始目标一致，在含有乘积的目标函数中(如极大似然函数)，通过“取对数”可以转化为求和的形式，从而大大简化目标函数的“求解”过程。

“(4)Squared Loss 平方损失”

即真实值与预测值之差的平方和。通常用于线性模型中，如线性回归模型。

“(5)Exponential Loss指数损失”

指数函数的特点是越接近正确结果误差越小，Adaboost算法即使用的指数损失目标函数。但是指数损失存在的一个问题是误分类样本的权重会“指数上升”，如果数据样本是异常点，会“极大地”干扰后面基本分类器学习效果。

❝

拜托你一件事儿

关注我一下！

谢谢啦！

❞