损失函数

损失函数（Loss function）又叫做误差函数，用来衡量算法的运行情况.

估量模型的预测值 f (x)与真实值 Y 的不一致程度，是一个非负实值函数,通常使用来表

示，损失函数越小，模型的鲁棒性就越好。

损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。

常见的损失函数

损失函数用来评价预测值和真实值不一样的程度。通常损失函数越好，模型的性能也越好。

损失函数可分为经验风险损失函数和结构风险损失函数。经验风险损失函数指预测结果和
实际结果的差别，结构风险损失函数是在经验风险损失函数上加上正则项。

（1）0-1 损失函数

（2）绝对值损失函数

（3）平方损失函数

（4）log 对数损失函数（常用于逻辑回归）

（5）指数损失函数（例 AdaBoost）

（6）Hinge 损失函数

逻辑回归为什么使用对数损失函数

对数损失函数与极大似然估计的对数似然函数本质上是相同的。所以逻辑回归直接采用对数损失函数。

机器学习中梯度下降法

在机器学习中，梯度下降法主要有随机梯度下降法和批量梯度下降法。

调整梯度下降法的几种方式

算法迭代步长的选择；参数的初始值选择；标准化处理。

随机梯度和批量梯度区别

随机梯度下降法、批量梯度下降法相对来说都比较极端，简单对比如下：
批量梯度下降：
a）采用所有数据来梯度下降。
b) 批量梯度下降法在样本量很大的时候，训练速度慢。

随机梯度下降：
a) 随机梯度下降用一个样本来梯度下降。
b) 训练速度很快。
c) 随机梯度下降法仅仅用一个样本决定梯度方向，导致解有可能不是最优。                                 d) 收敛速度来说，随机梯度下降法一次迭代一个样本，导致迭代方向变化很大，不能很快的收敛到局部最优解。

小批量（mini-batch ） 梯度下降法

对比随机梯度下降(SGD)、批量梯度下降（BGD）、小批量梯度下降（mini-batch GD）、和online GD 

Online GD 于 mini-batch GD/SGD 的区别在于，所有训练数据只用一次，然后丢弃。这样做的优点在于可预测最终模型的变化趋势。