【机器学习】损失函数

L1 平均绝对误差MAE

Loss=\frac{\sum\limits^n_{i=1}|\hat y-y|}{n}

L2 均方误差MSE

Loss=\frac{\sum\limits^n_{i=1}(\hat y-y)^2}{n}

交叉熵CE

用于度量两个概率分布之间的差异性信息。

对交叉熵求最小值,也等效于求最大似然估计。

H(P,Q)=-\sum P(x)\cdot logQ(x)

在机器学习领域,我们令P(x)为预测集,Q(x)为真实数据集。

H(\hat y,y)=-\sum \hat y *log\ y

相关推荐

最近更新

  1. docker php8.1+nginx base 镜像 dockerfile 配置

    2024-01-28 22:24:02       94 阅读
  2. Could not load dynamic library ‘cudart64_100.dll‘

    2024-01-28 22:24:02       100 阅读
  3. 在Django里面运行非项目文件

    2024-01-28 22:24:02       82 阅读
  4. Python语言-面向对象

    2024-01-28 22:24:02       91 阅读

热门阅读

  1. 南门的树(数组)★★★ c++版本 10分

    2024-01-28 22:24:02       56 阅读
  2. git常见命令

    2024-01-28 22:24:02       44 阅读
  3. 计算机网络(第六版)复习提纲13

    2024-01-28 22:24:02       45 阅读
  4. 在排序数组中查找元素的第一个和最后一个位置

    2024-01-28 22:24:02       51 阅读
  5. 【MyBatis框架】第六章 PageHelper

    2024-01-28 22:24:02       55 阅读
  6. NIO-Buffer详解

    2024-01-28 22:24:02       55 阅读
  7. 花式分析一个5M的SQL占用70GB内存

    2024-01-28 22:24:02       51 阅读