作者：zzanswer
鏈接：https://www.zhihu.com/question/52398145/answer/209358209
來源：知乎
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。

謝謝評論區(qū)

@阿薩姆 老師的建議，完善下答案：

?

首先給出結(jié)論：損失函數(shù)和代價函數(shù)是同一個東西，目標函數(shù)是一個與他們相關(guān)但更廣的概念，對于目標函數(shù)來說在有約束條件下的最小化就是損失函數(shù)（loss function）。

舉個例子解釋一下:（圖片來自Andrew Ng Machine Learning公開課視頻）

?

上面三個圖的函數(shù)依次為 , , 。我們是想用這三個函數(shù)分別來擬合Price，Price的真實值記為 。

我們給定 ，這三個函數(shù)都會輸出一個 ,這個輸出的 與真實值 可能是相同的，也可能是不同的，為了表示我們擬合的好壞，我們就用一個函數(shù)來度量擬合的程度，比如：

，這個函數(shù)就稱為損失函數(shù)(loss function)，或者叫代價函數(shù)(cost function)。損失函數(shù)越小，就代表模型擬合的越好。

那是不是我們的目標就只是讓loss function越小越好呢？還不是。

這個時候還有一個概念叫風險函數(shù)(risk function)。風險函數(shù)是損失函數(shù)的期望，這是由于我們輸入輸出的 遵循一個聯(lián)合分布，但是這個聯(lián)合分布是未知的，所以無法計算。但是我們是有歷史數(shù)據(jù)的，就是我們的訓練集， 關(guān)于訓練集的平均損失稱作經(jīng)驗風險(empirical risk)，即 ，所以我們的目標就是最小化 ，稱為經(jīng)驗風險最小化。

到這里完了嗎？還沒有。

如果到這一步就完了的話，那我們看上面的圖，那肯定是最右面的 的經(jīng)驗風險函數(shù)最小了，因為它對歷史的數(shù)據(jù)擬合的最好嘛。但是我們從圖上來看 肯定不是最好的，因為它過度學習歷史數(shù)據(jù)，導致它在真正預測時效果會很不好，這種情況稱為過擬合(over-fitting)。

為什么會造成這種結(jié)果？大白話說就是它的函數(shù)太復雜了，都有四次方了，這就引出了下面的概念，我們不僅要讓經(jīng)驗風險最小化，還要讓結(jié)構(gòu)風險最小化。這個時候就定義了一個函數(shù) ，這個函數(shù)專門用來度量模型的復雜度，在機器學習中也叫正則化(regularization)。常用的有 , 范數(shù)。

到這一步我們就可以說我們最終的優(yōu)化函數(shù)是： ，即最優(yōu)化經(jīng)驗風險和結(jié)構(gòu)風險，而這個函數(shù)就被稱為目標函數(shù)。

結(jié)合上面的例子來分析：最左面的 結(jié)構(gòu)風險最小（模型結(jié)構(gòu)最簡單），但是經(jīng)驗風險最大（對歷史數(shù)據(jù)擬合的最差）；最右面的 經(jīng)驗風險最小（對歷史數(shù)據(jù)擬合的最好），但是結(jié)構(gòu)風險最大（模型結(jié)構(gòu)最復雜）;而 達到了二者的良好平衡，最適合用來預測未知數(shù)據(jù)集。

以上的理解基于Coursera上Andrew Ng的公開課和李航的《統(tǒng)計學習方法》,如有理解錯誤，歡迎大家指正。

轉(zhuǎn)載于:https://www.cnblogs.com/jingsupo/p/9007320.html

總結(jié)

以上是生活随笔為你收集整理的机器学习中的目标函数、损失函数、代价函数有什么区别？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。