姚慧扬
2020-08-16 阅读量: 790
损失函数:
1.线性回归:L(θ)=常数-J(θ) -->J(θ)最小
2.逻辑回归:J(θ)=-L(θ) -->最小
3.softmax回归:J(θ)=-L(θ) -->最小
交叉熵函数:衡量两个概率分布的距离
为什么用交叉熵函数:因为MSE训练起来很费劲,但是交叉熵函数可以收敛的更快
分类问题都是使用交叉熵损失函数,不用MSE
对于不平衡的数据有以下处理方法:
1.数据层面处理:只能处理训练集,不能处理测试集
2.算法层面:权重参数调整
损失函数（Loss Function ）是定义在单个样本上的，算的是一个样本的误差。代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。目标函数（Object Function）定义为：最终需要优化的函数。等于经验风险+结构风险（也就是Cost Function + 正则化项）。PS：关于目标函数和代价函数的区别还有一种通俗的区别：目标函数是
自助法验证不管是 Holdout 检验还是交叉检验 ， 都是基于划分训练集和测试集的方法进行模型评估的 。 然而，当样本规模比较小时，将样本集进行划分会让训练集进一步减小 ，这可能会影响模型训练效果。有没有能维持训练集样本规模的验证方法呢？自助法可以比较好地解决这个问题 。自助法是基于自助采样法的检验方法 。 对于总数为 n 的样本集合 ，进行 n 次有放回的随机抽样 ，得到大小为 n 的训练集
留一验证：每次留下1个样本作为验证集， 其余所有样本作为测试集 。样本总数为 n ，依次对 n 个样本进行遍历，进行 n次验证 ，再将评估指标求平均值得到最终的评估指标 。 在样本总数较多的情况下，留一验证法的时间开销极大 。 事实上，留一验证是留 p 验证的特例 。 留 p 验证是每次留下 p 个样本作为验证集，而从 n 个元素中选择 p 个元素有C种可能, 因此它的时间开销更是远远高于留一验证
k-fold 交叉验证：首先将全部样本划分成 k 个大小相等的样本子集；依次遍历这 k 个子集，每次把当前子集作为验证集，真余所有子集作为训练集，进行模型的训练和评估；最后把 k 次评估指标的平均值作为最终的评估指标 。 在实际实验中， k 经常取 10。
