多分类 损失函数
常见的多分类损失函数有以下几种：
1. softmax交叉熵函数：正则化损失函数
这个函数是用来优化多分类问题的。它通过将输入值转换成概率分布，以便于我们对各类别的预测进行比较。softmax交叉熵函数用于衡量训练和实际输出之间的差异。该函数被定义为：−[yln(yˆ)+(1−y)ln(1−yˆ)]，其中y是实际输出，y-hat是预测输出。
2. 交叉熵损失函数：
交叉熵是一种常见的损失函数，通常用于测量一个概率分布对于另一个分布的差异。 在分类问题中，交叉熵损失函数用于衡量模型预测的正确性。该函数被定义为：−∑i=1nyiln(yˆi)，其中yi是实际输出，y-hat是预测输出。
3. 多项式对数似然函数：
多项式对数似然函数是一种常用的损失函数，通常用于解决多分类问题。这个函数预测每个类
别的概率，并计算每个类别的对数似然度。该函数被定义为：−∑i=1n∑c=1kyiclnc(yˆci)，其中yi是实际输出，y-hat是预测输出，n是样本数，k是类别数。
4. Hinge loss：
Hinge loss适用于支持向量机(SVM)算法中，它是一个非常有用的多分类损失函数。Hinge loss将正确标签与不正确标签之间的间隔与适当的阈值进行比较，从而计算误差。该函数被序列化为以下公式：max(0, 1 - y*f(x))，其中x是训练样本，f(x)是预测的分数，y是实际输出。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。