成绩函数、目标函数、代价函数和损失函数
成绩函数(score function
)、目标函数(objective function
)、代价函数(cost function
)和损失函数(loss function
)这四个术语经常出现在机器学习和深度学习的各类算法中
目标函数、代价函数和损失函数
目标函数指的是最优化经验风险和结构风险的函数(最大值/最小值优化)。经验风险指的是针对训练数据的损失值,在深度学习中指的是数据损失(data loss
);结构风险指的是针对模型复杂度的损失值,在深度学习中指的是正则化损失(regularization loss
)。
损失函数和代价函数指的是最小值优化函数,Andrew Ng
在机器学习课程Logistic Regression Cost Function - deeplearning.ai | Coursera中给出一个解释如下:
损失函数用于评判单个训练数据计算结果的好坏
代价函数用于评判整个训练数据计算结果的好坏
目标函数可以看成损失函数或代价函数的泛化形式,在深度学习中,获取最优的分类结果需要最小化损失函数或者代价函数值
关联
理清每个术语的概念以及联系,以分类算法为例,假设有一组训练数据
想要实现一个算法
通常实现方法是设置一个函数
那么怎么来计算
函数
目标函数的计算包括两部分,一是针对计算结果的评判,二是针对算法复杂度的评判
针对计算结果的评判,就是数据损失,表示损失函数或者代价函数;针对算法复杂度的评判,就是正则化损失
未找到相关的 Issues 进行评论
请联系 @zjykzj 初始化创建