我是ML的新手,我刚刚学习了线性回归和逻辑回归。
我想知道如何确定这些成本函数,以及如何得出这些成本函数?我们如何知道这些成本函数适合特定问题?
换句话说,我不确定这些成本函数如何被证明是准确的并且适合于特定的问题。在ML中,我们有时有时会提出自己的成本函数吗?
最佳答案
在正确的机器学习方法中,您首先要解决的问题。一旦遇到问题,您应该问自己:“我真正关心的是什么?”,“我在这里真正要做的是什么?”答案将提供“完美”的损失功能。问题是,通常无法直接真正学习这种“完美”功能。让我们以分类为例,您想要一个区分猫和狗的模型。 “完美”损失的一种可能的形式化形式是“最小数量的错误答案”。问题是,这样的功能无法区分。来模拟模型的参数(或者可微但提供0梯度)。因此,人们经常寻找行为相似但更适合我们所拥有的学习方法的替代品。如果不是说“最小数量的错误答案”,而是说“至少一个错误答案的最小概率”,那么对数损失(用于逻辑回归的损失)实际上就是那个。
简而言之,典型的路径是:
问题说明
完美误差测量的定义
根据上述和其他约束条件选择替代损失
对于许多问题,没有唯一的替代方案可供选择,因此最佳损失的选择(或从头算起)本身就是一个巨大的研究领域。
关于machine-learning - 如何在机器学习中确定成本函数?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/44740472/