假设函数、损失函数、 成本函数

本文深入解析了机器学习中的核心概念,包括假设函数、损失函数和成本函数的区别与联系。阐述了这些函数如何在模型训练中发挥作用,以及它们在评估模型性能时的重要作用。

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

基本概念


假设函数:假设函数用 hθ 表示,并且使用我们选择的模型。对于一个输入数据 x(i),模型预测输出为 hθ(x(i))

损失函数:用 L 表示。 将对应于真实数据 y 的预测值 z(hθ) 作为输入,输出 y 与 z 之间的差异。所求的是单个样本之
                  间的差异

成本函数:用 J 表示。经常用于评估一个模型的性能,是损失函数对于整个样本数据的求和。

在这里插入图片描述
上图中,中括号内i = 1,2,3…m 时,就是损失函数,对其求和除以 m 得出成本函数。

因此成本函数损失函数两个不同的概念,虽然不是重要的知识,但还是要分清。

公式

在这里插入图片描述

因为在机器学习中,一般都是向量的计算,很少用 for 循环进行单个样本间的计算 (计算效率太低) ,所以图中并没有添加损失函数,了解一下就好。对于单个样本间的计算,我会在下一节梯度下降算法中详细解释。

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