「(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」

對於「對數函數」，由於其具有「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數中(如極大似然函數)，通過「取對數」可以轉化為求和的形式，從而大大簡化目標函數的「求解」過程。

「(4)Squared Loss 平方損失」

即真實值與預測值之差的平方和。通常用於線性模型中，如線性回歸模型。

「(5)Exponential Loss指數損失」

指數函數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數。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」，如果數據樣本是異常點，會「極大地」干擾後面基本分類器學習效果。

❝

拜託你一件事兒

關注我一下！

謝謝啦！

❞