「損失函式」是機器學習優化中至關重要的一部分。l1、l2損失函式相信大多數人都早已不陌生。那你了解huber損失、log-cosh損失、以及常用於計算**區間的分位數損失麼？這些可都是機器學習大牛最常用的回歸損失函式哦！
機器學習中所有的演算法都需要最大化或最小化乙個函式，這個函式被稱為「目標函式」。其中，我們一般把最小化的一類函式，稱為「損失函式」。它能根據**結果，衡量出模型**能力的好壞。
在實際應用中，選取損失函式會受到諸多因素的制約，比如是否有異常值、機器學習演算法的選擇、梯度下降的時間複雜度、求導的難易程度以及**值的置信度等等。因此，不存在一種損失函式適用於處理所有型別的資料。這篇文章就講介紹不同種類的損失函式以及它們的作用。
分類、回歸問題損失函式對比
機器學習中最常用的矩陣 向量求導公式
矩陣的跡 對於n階方陣a，a的跡 trace 是主對角線上的元素之和，即tr a i 1,n aii。跡的性質 1 tr at tr a 2 tr a b tr a tr b 3 tr ab tr ba 4 tr abc tr bca tr cab 行列式的性質 設a b是n階方陣，c為常數，行列式...
機器學習 常用的回歸模型效能評價指標
對於回歸而言，模型效能的好壞主要體現在擬合的曲線與真實曲線的誤差。主要的評價指標包括 擬合優度 r squared，校正決定係數 adjusted r square 均方誤差 mse 均方根誤差 rmse 誤差平方和 sse 平均絕對誤差 mae 平均絕對百分比誤差 mape 均方誤差是指 觀測值與...
機器學習的四個分支及分類回歸常用術語解釋
機器學習演算法可分為四大類 二分類 多分類及標量回歸問題都屬於監督學習。即給定一組樣本 樣本通常需要人工進行標註 通過這組樣本的學習，當輸入未標註的資料時會自動對映到已知目標 人工標註 監督學習還包括幾種除分類回歸外的任務 1.序列生成 給定一張影象，出描述該影象的文字。2.語法樹 給定乙個句子，其...