当前位置：首页 > news >正文

【机器学习笔记Ⅰ】3 代价函数

news 2025/7/7 14:09:13

代价函数（Cost Function）

代价函数（也称为损失函数，Loss Function）是机器学习中用于量化模型预测误差的函数。它衡量模型预测值（( \hat{y} )）与真实值（( y )）之间的差异，并通过优化算法（如梯度下降）调整模型参数（如权重 ( w ) 和偏置 ( b )），以最小化这种差异。

核心作用

评估模型性能：代价函数的值越小，说明模型预测越准确。
指导参数优化：为梯度下降等算法提供方向（如何调整参数以降低误差）。

常见代价函数

1. 均方误差（Mean Squared Error, MSE）

用于回归问题（预测连续值，如房价、温度）。
公式：
- ( N )：样本数量。
- ( y^{(i)} )：第 ( i ) 个样本的真实值。
- ( \hat{y}^{(i)} )：第 ( i ) 个样本的预测值。
特点：
- 对异常值敏感（平方放大大误差）。
- 可导，适合梯度下降。

示例：

真实值 ( y = [2, 4, 6] )，预测值 ( \hat{y} = [1, 5, 6] )。
$MSE = ( \frac{(2-1)^2 + (4-5)^2 + (6-6)^2}{3} = \frac{1 + 1 + 0}{3} = 0.67 )。$

2. 交叉熵损失（Cross-Entropy Loss）

用于分类问题（如二分类、多分类）。
公式（二分类）：
- ( \hat{y}^{(i)} ) 是模型预测的概率（如逻辑回归输出）。
特点：
- 惩罚预测概率与真实标签的偏差。
- 与Softmax激活函数配合用于多分类。

3. 平均绝对误差（Mean Absolute Error, MAE）

公式：
特点：
- 对异常值鲁棒（误差线性增长）。
- 不可导（优化时需特殊处理）。

为什么需要代价函数？

参数学习的指南针：
例如，在线性回归中，通过最小化MSE找到最佳拟合直线。
模型对比：不同模型可通过同一代价函数评估优劣。

代价函数 vs 损失函数

损失函数（Loss Function）：计算单个样本的误差。
代价函数（Cost Function）：通常是所有样本损失的平均值（如MSE）。
（实际使用时两者常混用。）

代码示例（MSE实现）

import numpy as npdef mean_squared_error(y_true, y_pred):return np.mean((y_true - y_pred) ** 2)# 示例
y_true = np.array([3, 5, 7])
y_pred = np.array([2.5, 5.1, 7.8])
print("MSE:", mean_squared_error(y_true, y_pred))  # 输出: 0.23

如何选择代价函数？

问题类型	代价函数	原因
回归（连续值预测）	均方误差（MSE）	对误差敏感，易优化。
分类（概率输出）	交叉熵损失（Cross-Entropy）	匹配概率分布，梯度稳定。
鲁棒性需求高	平均绝对误差（MAE）	减少异常值影响。