分类损失函数测量分类模型的预测不准确性。当你在许多模型中比较同一类型的损失时,损失越低表明预测模型越好。
考虑以下场景。
给定此场景,下表描述了支持的损失函数,可以使用万博1manbetx“LossFun”
名称-值对的论点。
损失函数 |
的价值LossFun |
方程式 |
二项式偏差 |
“binodeviance” |
|
小数点被错误分类 |
“classiferror” |
为得分最大的类对应的类标签。我{·}是指示函数。 |
交叉熵损失 |
'forrorentropy' |
'forrorentropy' 仅适用于神经网络模型。
加权交叉熵损失是
的权重
都归一化为n而不是1。 |
指数损失 |
“指数” |
|
铰链的损失 |
'铰链' |
|
分对数损失 |
分对数的 |
|
最小预期错误分类费用 |
'Mincost' |
'Mincost' 只有当分类分数是后验概率时才合适。
该软件计算加权最小期望分类成本使用这一程序的观察j= 1,…,n.
估计分类观察的预期错误分类成本Xj进入课堂k:
f(Xj)为观测的二值和多类分类的类后验概率列向量Xj.C成本矩阵存储在成本 模型的财产。
对于观察j,预测与最小预期误分类成本相对应的类别标签:
使用C,确认已发生的成本(cj)做了预测。
最小预期错误分类成本损失的加权平均值是
如果使用默认代价矩阵(其元素值为0表示正确分类,1表示不正确分类),则'Mincost' 损失相当于“classiferror” 的损失。 |
二次损失 |
“二次” |
|
该图比较了损耗功能(除了'forrorentropy'
和'Mincost'
超过分数米一个观察。某些功能被归一化以通过点(0,1)。