什么是損失函數(shù)

損失函數(shù)是一種衡量模型與數(shù)據(jù)吻合程度的算法。損失函數(shù)測量實際測量值和預(yù)測值之間差距的一種方式。損失函數(shù)的值越高預(yù)測就越錯誤，損失函數(shù)值越低則預(yù)測越接近真實值。對每個單獨的觀測(數(shù)據(jù)點)計算損失函數(shù)。將所有損失函數(shù)（loss function）的值取平均值的函數(shù)稱為代價函數(shù)（cost function），更簡單的理解就是損失函數(shù)是針對單個樣本的，而代價函數(shù)是針對所有樣本的。

損失函數(shù)與度量指標(biāo)

一些損失函數(shù)也可以被用作評價指標(biāo)。但是損失函數(shù)和度量指標(biāo)（metrics）有不同的目的。雖然度量指標(biāo)用于評估最終模型并比較不同模型的性能，但損失函數(shù)在模型構(gòu)建階段用作正在創(chuàng)建的模型的優(yōu)化器。損失函數(shù)指導(dǎo)模型如何最小化誤差。

也就是說損失函數(shù)是知道模型如何訓(xùn)練的，而度量指標(biāo)是說明模型的表現(xiàn)的

為什么要用損失函數(shù)

由于損失函數(shù)測量的是預(yù)測值和實際值之間的差距，因此在訓(xùn)練模型時可以使用它們來指導(dǎo)模型的改進(通常的梯度下降法)。在構(gòu)建模型的過程中，如果特征的權(quán)重發(fā)生了變化得到了更好或更差的預(yù)測，就需要利用損失函數(shù)來判斷模型中特征的權(quán)重是否需要改變，以及改變的方向。

我們可以在機器學(xué)習(xí)中使用各種各樣的損失函數(shù)，這取決于我們試圖解決的問題的類型、數(shù)據(jù)質(zhì)量和分布以及我們使用的算法，下圖為我們整理的10個常見的損失函數(shù)：

回歸問題

1、均方誤差(MSE)

均方誤差是指所有預(yù)測值和真實值之間的平方差，并將其平均值。常用于回歸問題。

def MSE (y, y_predicted):
   sq_error = (y_predicted - y) ** 2
   sum_sq_error = np.sum(sq_error)
   mse = sum_sq_error/y.size
   return mse

2、平均絕對誤差(MAE)

作為預(yù)測值和真實值之間的絕對差的平均值來計算的。當(dāng)數(shù)據(jù)有異常值時，這是比均方誤差更好的測量方法。

def MAE (y, y_predicted):
   error = y_predicted - y
   absolute_error = np.absolute(error)
   total_absolute_error = np.sum(absolute_error)
   mae = total_absolute_error/y.size
   return mae

3、均方根誤差(RMSE)

這個損失函數(shù)是均方誤差的平方根。如果我們不想懲罰更大的錯誤，這是一個理想的方法。

def RMSE (y, y_predicted):
   sq_error = (y_predicted - y) ** 2
   total_sq_error = np.sum(sq_error)
   mse = total_sq_error/y.size
   rmse = math.sqrt(mse)
   return rmse

4、平均偏差誤差(MBE)

類似于平均絕對誤差但不求絕對值。這個損失函數(shù)的缺點是負(fù)誤差和正誤差可以相互抵消，所以當(dāng)研究人員知道誤差只有一個方向時，應(yīng)用它會更好。

def MBE (y, y_predicted):
   error = y_predicted -  y
   total_error = np.sum(error)
   mbe = total_error/y.size
   return mbe

5、Huber損失

Huber損失函數(shù)結(jié)合了平均絕對誤差(MAE)和均方誤差(MSE)的優(yōu)點。這是因為Hubber損失是一個有兩個分支的函數(shù)。一個分支應(yīng)用于符合期望值的MAE，另一個分支應(yīng)用于異常值。Hubber Loss一般函數(shù)為:

這里的

def hubber_loss (y, y_predicted, delta)
   delta = 1.35 * MAE
   y_size = y.size
   total_error = 0
   for i in range (y_size):
      erro = np.absolute(y_predicted[i] - y[i])
      if error < delta:
         hubber_error = (error * error) / 2
      else:
         hubber_error = (delta * error) / (0.5 * (delta * delta))
      total_error += hubber_error
   total_hubber_error = total_error/y.size
   return total_hubber_error

二元分類

6、最大似然損失(Likelihood Loss/LHL)

該損失函數(shù)主要用于二值分類問題。將每一個預(yù)測值的概率相乘,得到一個損失值，相關(guān)的代價函數(shù)是所有觀測值的平均值。讓我們用以下二元分類的示例為例，其中類別為[0]或[1]。如果輸出概率等于或大于0.5，則預(yù)測類為[1]，否則為[0]。輸出概率的示例如下:

[0.3 , 0.7 , 0.8 , 0.5 , 0.6 , 0.4]

對應(yīng)的預(yù)測類為:

[0 , 1 , 1 , 1 , 1 , 0]

而實際的類為：

[0 , 1 , 1 , 0 , 1 , 0]

現(xiàn)在將使用真實的類和輸出概率來計算損失。如果真類是[1]，我們使用輸出概率，如果真類是[0]，我們使用1-概率:

((1–0.3)+0.7+0.8+(1–0.5)+0.6+(1–0.4)) / 6 = 0.65

Python代碼如下:

def LHL (y, y_predicted):
   likelihood_loss = (y * y_predicted) + ((1-y) * (y_predicted))
   total_likelihood_loss = np.sum(likelihood_loss)
   lhl = - total_likelihood_loss / y.size
   return lhl

7、二元交叉熵(BCE)

這個函數(shù)是對數(shù)的似然損失的修正。對數(shù)列的疊加可以懲罰那些非常自信但是卻錯誤的預(yù)測。二元交叉熵?fù)p失函數(shù)的一般公式為:

讓我們繼續(xù)使用上面例子的值：

1.輸出概率= [0.3、0.7、0.8、0.5、0.6、0.4]

2.實際的類= [0，1，1，0，1，0]

• (0 . log (0.3) + (1–0) . log (1–0.3)) = 0.155
• (1 . log(0.7) + (1–1) . log (0.3)) = 0.155
• (1 . log(0.8) + (1–1) . log (0.2)) = 0.097
• (0 . log (0.5) + (1–0) . log (1–0.5)) = 0.301
• (1 . log(0.6) + (1–1) . log (0.4)) = 0.222
• (0 . log (0.4) + (1–0) . log (1–0.4)) = 0.222

那么代價函數(shù)的結(jié)果為：

(0.155 + 0.155 + 0.097 + 0.301 + 0.222 + 0.222) / 6 = 0.192

Python的代碼如下：

def BCE (y, y_predicted):
   ce_loss = y*(np.log(y_predicted))+(1-y)*(np.log(1-y_predicted))
   total_ce = np.sum(ce_loss)
   bce = - total_ce/y.size
   return bce

8、Hinge Loss 和 Squared Hinge Loss (HL and SHL)

Hinge Loss被翻譯成鉸鏈損失或者合頁損失，這里還是以英文為準(zhǔn)。

Hinge Loss主要用于支持向量機模型的評估。錯誤的預(yù)測和不太自信的正確預(yù)測都會受到懲罰。所以一般損失函數(shù)是：

這里的t是真實結(jié)果用[1]或[-1]表示。

使用Hinge Loss的類應(yīng)該是[1]或-1。為了在Hinge loss函數(shù)中不被懲罰，一個觀測不僅需要正確分類而且到超平面的距離應(yīng)該大于margin(一個自信的正確預(yù)測)。如果我們想進一步懲罰更高的誤差，我們可以用與MSE類似的方法平方Hinge損失,也就是Squared Hinge Loss。

如果你對SVM比較熟悉，應(yīng)該還記得在SVM中，超平面的邊緣（margin）越高，則某一預(yù)測就越有信心。如果這塊不熟悉，則看看這個可視化的例子:

如果一個預(yù)測的結(jié)果是1.5，并且真正的類是[1]，損失將是0(零)，因為模型是高度自信的。

loss= Max (0,1 - 1* 1.5) = Max (0， -0.5) = 0

如果一個觀測結(jié)果為0(0)，則表示該觀測處于邊界(超平面)，真實的類為[-1]。損失為1，模型既不正確也不錯誤，可信度很低。

如果一次觀測結(jié)果為2，但分類錯誤(乘以[-1])，則距離為-2。損失是3(非常高)，因為我們的模型對錯誤的決策非常有信心（這個是絕不能容忍的）。

python代碼如下：

#Hinge Loss 
def Hinge (y, y_predicted): 
   hinge_loss = np.sum(max(0 , 1 - (y_predicted * y))) 
   return hinge_loss 

#Squared Hinge Loss 
def SqHinge (y, y_predicted): 
   sq_hinge_loss = max (0 , 1 - (y_predicted * y)) ** 2 
   total_sq_hinge_loss = np.sum(sq_hinge_loss) 
   return total_sq_hinge_loss

多分類

9、交叉熵（CE）

在多分類中，我們使用與二元交叉熵類似的公式，但有一個額外的步驟。首先需要計算每一對[y, y_predicted]的損失，一般公式為:

如果我們有三個類，其中單個[y, y_predicted]對的輸出是:

這里實際的類3（也就是值=1的部分），我們的模型對真正的類是3的信任度是0.7。計算這損失如下:

為了得到代價函數(shù)的值，我們需要計算所有單個配對的損失，然后將它們相加最后乘以[-1/樣本數(shù)量]。代價函數(shù)由下式給出:

使用上面的例子，如果我們的第二對:

那么成本函數(shù)計算如下:

使用Python的代碼示例可以更容易理解:

def CCE (y, y_predicted): 
   cce_class = y * (np.log(y_predicted)) 
   sum_totalpair_cce = np.sum(cce_class) 
   cce = - sum_totalpair_cce / y.size 
   return cce

10、Kullback-Leibler 散度 (KLD)

又被簡化稱為KL散度，它類似于分類交叉熵，但考慮了觀測值發(fā)生的概率。如果我們的類不平衡，它特別有用。

def KL (y, y_predicted): 
   kl = y * (np.log(y / y_predicted)) 
   total_kl = np.sum(kl) 
   return total_kl

到此這篇關(guān)于10個Python常用的損失函數(shù)及代碼實現(xiàn)分享的文章就介紹到這了,更多相關(guān)Python損失函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論