机器学习中的几种loss 线性拟合——从最大似然估计到平方误差到huber loss

转载自多个地方,仅用作个人学习。如需删除,请见谅并联系本人。

线性拟合——从最大似然估计到平方误差到huber loss

https://blog.csdn.net/lanchunhui/article/details/50422230

(转)机器学习中的损失函数


一、log对数损失函数(逻辑回归)


二、平方损失函数(最小二乘法, Ordinary Least Squares )


三、指数损失函数(Adaboost)


四、Hinge损失函数(SVM)


五、其它损失函数

除了以上这几种损失函数,常用的还有:

0-1损失函数
L(Y, f(X)) = \left\{\begin{matrix}1 ,& Y \neq f(X)\\ 0 ,& y = f(X)    \end{matrix}\right.
绝对值损失函数
$$L(Y, f(X)) = |Y-f(X)|$$


转载自多个地方,仅用作个人学习。如需删除,请见谅并联系本人。

线性拟合——从最大似然估计到平方误差到huber loss

https://blog.csdn.net/lanchunhui/article/details/50422230

(转)机器学习中的损失函数


一、log对数损失函数(逻辑回归)


二、平方损失函数(最小二乘法, Ordinary Least Squares )


三、指数损失函数(Adaboost)


四、Hinge损失函数(SVM)


五、其它损失函数

除了以上这几种损失函数,常用的还有:

0-1损失函数
L(Y, f(X)) = \left\{\begin{matrix}1 ,& Y \neq f(X)\\ 0 ,& y = f(X)    \end{matrix}\right.
绝对值损失函数
$$L(Y, f(X)) = |Y-f(X)|$$


猜你喜欢

转载自blog.csdn.net/qq_27245709/article/details/80949891
今日推荐