机器学习笔记七：损失函数与风险函数

一.损失函数

回顾之前讲过的线性回归模型，我们为了要学习参数使得得到的直线更好的拟合数据，我们使用了一个函数

这个函数就是比较模型得到的结果和“真实值”之间的“差距”，来判断这个模型是不是好。因为模型越好，差距越小，就越能够反应真实值。这个是能够很容易理解的。
但是上面的解释毕竟太过于“通俗”，而且事实上面还存在很多的损失函数的类型供我们使用，你甚至能够定义自己的损失函数类型。所以下面的篇幅就来讲讲一些常用的损失函数。

Ⅰ.0-1损失函数（0-1 loss function）

这个函数比较好理解。要是我们模型得到值和“真实值（标签值）”不一样，损失为1.要是一样的话，没有损失，自然为0.
这个函数的优点就是简单，非常的简单。但是缺点也非常的明显，就是无法度量损失的“严重程度”，无论有多不一样，都得到1的损失，很显然不利于后面的学习。
用途：
我暂时没有发现哪个机器学习算法用了0-1损失函数，有的话给个提示。