网站开发 招标采购参数湖人队最新消息

损失是一个数值指标，用于描述模型的预测有多大偏差。损失函数用于衡量模型预测与实际标签之间的距离。训练模型的目标是尽可能降低损失，将其降至最低值。

在下图中，您可以将损失可视化为从数据点指向模型的箭头。箭头表示模型的预测结果与实际值之间的差距。

- 图1 - 

损失是从实际值到预测值衡量的。

» 丢失距离

在统计学和机器学习中，损失函数用于衡量预测值与实际值之间的差异。损失函数侧重于值之间的距离，而不是方向。例如，如果模型预测值为 2，但实际值为 5，我们并不关心损失为负值 −3（2−5=−3）。我们关心的是这两个值之间的距离为 3。因此，所有用于计算损失的方法都会移除符号。

移除此标记的两种最常用方法如下：

• 计算实际值与预测值之间的差值的绝对值。

• 将实际值与预测值之间的差值平方。

» 损失类型

在线性回归中，有四种主要的损失函数，如下表所示。

- 图2 -

L1损失函数和 L2 损失函数（或 MAE 和 MSE）之间的功能差异在于平方。当预测值与标签之间的差异较大时，平方会使损失变得更大。当差异很小（小于 1）时，平方会使损失更小。

同时处理多个示例时，我们建议对所有示例的损失进行平均，无论是使用 MAE 还是 MSE。

» 计算损失示例

使用之前的最佳拟合线，我们将计算单个示例的 L2 损失。从最优拟合线中，我们得到了权重和偏差的以下值：

• Weight: −3.6

• Bias: 30

如果模型预测重 2,370 磅的汽车每加仑可行驶 21.5 英里，但实际每加仑可行驶 24 英里，我们将按如下方式计算 L2 损失：

（ ※ 注意： 由于图表的比例为 1000 磅，因此公式使用 2.37）

- 图3 -

在此示例中，该单个数据点的 L2 损失为 6.25。

» 选择损失

确定是使用 MAE 还是 MSE 可能取决于数据集以及您希望处理特定预测的方式。数据集中的大多数特征值通常属于一个特定范围。例如，汽车通常在 2,000 到 5,000 磅之间，每加仑汽油能行驶 8 到 50 英里。重 8,000 磅的汽车或每加仑汽油行驶 100 英里的汽车都超出了典型范围，会被视为离群值。

离群值还可以指模型的预测与真实值之间的差距。例如，3,000 磅的车重属于典型的车重范围，而每加仑 40 英里的油耗属于典型的油耗范围。但是，对于模型的预测而言，重 3,000 磅的汽车每加仑能行驶 40 英里属于离群值，因为模型会预测重 3,000 磅的汽车每加仑能行驶 18 到 20 英里。

选择最佳损失函数时，请考虑您希望模型如何处理离群值。例如，MSE 会使模型更接近离群值，而 MAE 则不会。与 L1 损失函数相比，L2 损失函数对离群值的惩罚更高。例如，以下图片显示了使用 MAE 训练的模型和使用 MSE 训练的模型。红线表示将用于进行预测的完全训练好的模型。离群值更接近使用 MSE 训练的模型，而不是使用 MAE 训练的模型。

- 图4 -

使用 MSE 训练的模型会使模型更接近离群值。

- 图5 -

使用 MAE 训练的模型与离群值的距离更远。

请注意模型与数据之间的关系：

• MSE：

  模型更接近离群值，但与大多数其他数据点的距离更远。

• MAE：

  模型离离群值较远，但离大多数其他数据点较近。