常用损失函数

原创已于 2022-06-21 16:50:29 修改 · 151 阅读

·

1

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#机器学习 #人工智能 #算法

于 2022-06-21 16:47:11 首次发布

深度学习专栏收录该内容

3 篇文章

订阅专栏

本文探讨了线性分类器的参数W在Hinge Loss（SVM）和交叉熵损失函数（Softmax）中的应用，介绍了正则化如何防止过拟合。重点讲解了这两种常见的机器学习损失函数及其在实际场景中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

损失函数

W是线性分类器的参数，f(x,W)是各个类别分类的分数。

![在这里插入图片描述](https://img-blog.csdnimg.cn/b0578bd884f74917bd800ec6d0ed34cd.png#pic_cente =x=600)

Hinge loss—SVM

在这里插入图片描述
Regulization(正则化)：避免模型过拟合

在这里插入图片描述

交叉熵损失函数—softmax

在这里插入图片描述

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。