损失函数

  • 线性分类器简介
  • 线性评分函数
  • 阐明线性分类器
  • 损失函数
    • 多分类SVM
    • softmax分类器
    • SVM和softmax的比较
      *基于web的可交互线性分类器原型
  • 小结

损失函数

衡量我们对结果的不满意程度

多分类支持向量机损失

SVM的损失函数想要SVM 在正确分类上的得分比不正确分类上的得分高出一个边界值\Delta。
得分记为s，有s_j=\sum_{j\neq y_i}max(0,s_j-s_{y_i}+\Delta)
线性评分函数（f(x_i,W)=Wx_i），损失函数L_i=\sum _{j\neq {y_i}}max(0,w_j^Tx_i-w_{y_i}^Tx_i+\Delta)
折叶损失：max(0,-)。平方折页损失：max(0,-)^2
错误分类比正确分类得分高出\Delta才开始计算损失

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容