损失函数

损失函数

• 返回顶层目录

• 返回上层目录

• 回归问题的损失函数

• 分类问题的损失函数

  • 交叉熵损失

    • 分类问题中交叉熵优于MSE的原因

    • 多个二分类同时计算交叉熵损失

  • Logistic loss

    • Logistic loss和交叉熵损失损失的等价性

回归问题的损失函数

分类问题的损失函数

交叉熵损失

分类问题中交叉熵优于MSE的原因

https://zhuanlan.zhihu.com/p/84431551

多个二分类同时计算交叉熵损失

通常的负采样中，只有一个正样本和多个负样本，但在某些时候，会有多个正样本和多个负样本同时存在，比如：

$$[1, 1, 0, 0, 0, 0]$$

那该怎么计算交叉熵受损失呢？

假设有m个正样本和n个负样本同时存在，则其交叉熵损失计算为

tensorflow代码为

def cmp_cross_entropy_loss(logits, labels, pos_num):
    logits_exp_sum = tf.reduce_sum(tf.exp(logits), axis=1)
    logits_sum = tf.reduce_sum(tf.multiply(logits, labels), axis=1) 
    cross_entropy_loss_ = -1.0 * (logits_sum - tf.dtypes.cast(pos_num, tf.float32) * tf.math.log(logits_exp_sum))
    cross_entropy_loss = tf.reduce_sum(cross_entropy_loss_) 
    return cross_entropy_loss, cross_entropy_loss_

Logistic loss

Logistic loss和交叉熵损失损失的等价性

对于解决分类问题的FM模型，

当标签为[1, 0]时，其损失函数为交叉熵损失：

$$Loss=y\ \text{log} \hat{y}+(1-y)\text{log}(1-\hat{y})$$

当标签为[1, -1]时，其损失函数为

$$Loss=\text{log}\left(1+\text{exp}(-yf(x))\right)$$

其中，f(x)是$w\cdot x$，不是$\hat{y}$。

这两种损失函数其实是完全等价的。

（1）当为正样本时，损失为

• 标签为[1, 0]

  $$Loss=-y\text{log}(\hat{y})=-\text{log}\frac{1}{1+\text{exp}(-wx)}=\text{log}(1+\text{exp}(-wx)$$
• 标签为[1, -1]

  $$Loss=\text{log}\left(1+\text{exp}(-yf(x))\right)=\text{log}\left(1+\text{exp}(-wx)\right)$$

（2）当为负样本时，损失为

• 标签为[1, 0]

  $$\begin{aligned} Loss&=-(1-y)\text{log}(1-\hat{y})=-\text{log}(1-\frac{1}{1+\text{exp}(-wx)})\\ &=\text{log}(1+\text{exp}(wx)) \end{aligned}$$
• 标签为[1, -1]

  $$Loss=\text{log}\left(1+\text{exp}(-yf(x))\right)=\text{log}\left(1+\text{exp}(wx)\right)$$

可见，两种损失函数的值完全一样。

参考文献

• 常见回归和分类损失函数比较

本文参考了此博客。

• MSE vs 交叉熵

"分类问题中交叉熵优于MSE的原因"参考了此博客。

• Notes on Logistic Loss Function

• Logistic Loss函数、Logistics回归与极大似然估计

• Logistic loss函数

"Logistic loss和交叉熵损失损失的等价性"参考了此博客。