zoukankan      html  css  js  c++  java
  • 机器学习之模型评估(损失函数的选择)

    线性回归:
    可以用损失函数来评估模型,这个损失函数可以选择平方损失函数, 将所有样本的x和y代入,
    只要损失函数最小,那么得到的参数就是模型参数

    逻辑回归:
    可以使用似然概率来评估模型,将所有样本的x和y代入,
    只要这个似然概率最大,那么得到的参数,就是模型参数

    也可以理解为,其实概率模型不是用损失函数来评估模型,而是用概率来评估模型
    只要所有样本的条件概率乘积(相互独立同分布)
    

    常见的损失函数
    机器学习或者统计机器学习常见的损失函数如下:

    1.0-1损失函数 (0-1 loss function)
    L(Y,f(X))={1,0,Y ≠ f(X)Y = f(X)
    2.平方损失函数(quadratic loss function)
    L(Y,f(X))=(Y−f(x))2
    3.绝对值损失函数(absolute loss function)
    L(Y,f(x))=|Y−f(X)|
    4.对数损失函数(logarithmic loss function) 或对数似然损失函数(log-likehood loss function)
    L(Y,P(Y|X))=−logP(Y|X)
    逻辑回归中,采用的则是对数损失函数。如果损失函数越小,表示模型越好。

  • 相关阅读:
    区间树
    最大流
    单源最短路径
    散列表
    最小生成树
    软件体系结构2
    软件体系结构
    Leetcode 687.最长同值路径
    Leetcode 686.重复叠加字符串匹配
    Python测试框架
  • 原文地址:https://www.cnblogs.com/brainstorm/p/8819731.html
Copyright © 2011-2022 走看看