L1 Loss,L2 Loss和Smooth L1 Loss 的对比

本文对比了L1 Loss、L2 Loss和Smooth L1 Loss,讨论了它们的优缺点。L2 Loss因其平滑性利于梯度下降,但对离群点敏感;L1 Loss对离群点不敏感但导数不连续;Smooth L1 Loss结合两者优点,防止梯度爆炸并降低离群点影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

总结对比下L1L_1L1 损失函数,L2L_2L2 损失函数以及SmoothL1\text{Smooth} L_1SmoothL1 损失函数的优缺点。

均方误差MSE (L2L_2L2 Loss)

均方误差(Mean Square Error,MSE)是模型预测值f(x)f(x)f(x) 与真实样本值yyy 之间差值平方的平均值,其公式如下
MSE=∑i=1n(fxi−yi)2n MSE = \frac{\sum_{i=1}^n(f_{x_i} - y_i)^2}{n} MSE=ni=1n(fxiyi)2
其中,yiy_iyif(xi)f(x_i)f(xi

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值