Hinge loss (original) (raw)
在機器學習中，鉸鏈損失是一個用於訓練分類器的損失函數。鉸鏈損失被用於「最大間格分類」，因此非常適合用於支持向量機 (SVM)。对于一个预期输出 ，分类结果 的鉸鏈損失定義為 特別注意：以上式子的應該使用分類器的「原始輸出」，而非預測標籤。例如，在線性支持向量機當中，，其中 是超平面参数，是輸入資料點。 當和同號（意即分類器的輸出是正確的分類），且 时，鉸鏈損失 。但是，當它們異號（意即分類器的輸出是错误的分類）時， 隨 線性增長。套用相似的想法，如果 ，即使 和 同號（意即分類器的分類正確，但是間隔不足），此時仍然會有損失。
| Property | Value |
|---|---|
| dbo:abstract | In machine learning, the hinge loss is a loss function used for training classifiers. The hinge loss is used for "maximum-margin" classification, most notably for support vector machines (SVMs). For an intended output t = ±1 and a classifier score y, the hinge loss of the prediction y is defined as Note that should be the "raw" output of the classifier's decision function, not the predicted class label. For instance, in linear SVMs, , where are the parameters of the hyperplane and is the input variable(s). When t and y have the same sign (meaning y predicts the right class) and , the hinge loss . When they have opposite signs, increases linearly with y, and similarly if , even if it has the same sign (correct prediction, but not by enough margin). (en) Em aprendizagem automática, a perda de articulação é uma função de perda usada para classificadores de treinamento. A perda de articulação é usada para , principalmente para máquinas de vetores de suporte (SVMs). Para uma saída pretendida t = ±1 e um escore de classificador y, a perda de articulação da previsão y é definida como: Observe que y deve ser a saída "crua" da função de decisão do classificador, não o rótulo da classe prevista. Por exemplo, em SVMs lineares , onde são os parâmetros do hiperplano e é o ponto a ser classificado. Pode-se ver que quando t e y têm o mesmo sinal (que significa que y prediz a classe correta) e , a perda de articulação , mas quando eles têm sinal oposto, aumenta linearmente com y (erro unilateral). A em aprendizagem de máquina, a perda de articulação também é conhecida como "hinge loss" ou como "SVM loss". (pt) Завісні втрати (англ. hinge loss) у машинному навчанні — це функція втрат, яка використовується для навчання класифікаторів. Завісні втрати використовують для максимальної розділової класифікації, здебільшого для опорних векторних машин (ОВМ). Для поміченого виходу t = ±1 та оцінки класифікатора y, завісна втрата передбачення y визначається як Варто зауважити, що тут y є «сирим» значенням функції прийняття рішення у класифікаторі, а не міткою класу. Наприклад, в лінійних ОВМ , де є параметрами гіперплощини та — точка, яку потрібно класифікувати. Зрозуміло, що коли t та y мають однаковий знак (що означає, що y вказує на правильний клас) та , тоді завісні втрати , а коли вони мають різні знаки, то зростає лінійно від y (одностороння помилка). На рисунку пояснюється, чому завісні втрати дають кращу оцінку втрат ніж функція нуль-один. (uk) 在機器學習中，鉸鏈損失是一個用於訓練分類器的損失函數。鉸鏈損失被用於「最大間格分類」，因此非常適合用於支持向量機 (SVM)。对于一个预期输出 ，分类结果 的鉸鏈損失定義為 特別注意：以上式子的應該使用分類器的「原始輸出」，而非預測標籤。例如，在線性支持向量機當中，，其中 是超平面参数，是輸入資料點。 當和同號（意即分類器的輸出是正確的分類），且 时，鉸鏈損失 。但是，當它們異號（意即分類器的輸出是错误的分類）時， 隨 線性增長。套用相似的想法，如果 ，即使 和 同號（意即分類器的分類正確，但是間隔不足），此時仍然會有損失。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Hinge_loss_vs_zero_one_loss.svg?width=300 |
| dbo:wikiPageID | 33100241 (xsd:integer) |
| dbo:wikiPageLength | 7870 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1122589693 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Structured_prediction dbr:Multiclass_classification dbr:Convex_function dbc:Loss_functions dbr:Subderivative dbr:Machine_learning dbc:Support_vector_machines dbr:Smoothness dbr:Hyperplane dbr:Support_vector_machine dbr:Differentiable_function dbr:Huber_loss dbr:Loss_function dbr:Structured_support_vector_machine dbr:Statistical_classification dbr:Hamming_loss dbr:File:Hinge_loss_variants.svg dbr:File:Hinge_loss_vs_zero_one_loss.svg |
| dbp:wikiPageUsesTemplate | dbt:= dbt:Math dbt:Mvar dbt:Reflist dbt:Section_link |
| dcterms:subject | dbc:Loss_functions dbc:Support_vector_machines |
| rdf:type | yago:WikicatSupportVectorMachines yago:Artifact100021939 yago:Device103183080 yago:Instrumentality103575240 yago:Machine103699975 yago:Object100002684 yago:PhysicalEntity100001930 yago:Whole100003553 |
| rdfs:comment | 在機器學習中，鉸鏈損失是一個用於訓練分類器的損失函數。鉸鏈損失被用於「最大間格分類」，因此非常適合用於支持向量機 (SVM)。对于一个预期输出 ，分类结果 的鉸鏈損失定義為 特別注意：以上式子的應該使用分類器的「原始輸出」，而非預測標籤。例如，在線性支持向量機當中，，其中 是超平面参数，是輸入資料點。 當和同號（意即分類器的輸出是正確的分類），且 时，鉸鏈損失 。但是，當它們異號（意即分類器的輸出是错误的分類）時， 隨 線性增長。套用相似的想法，如果 ，即使 和 同號（意即分類器的分類正確，但是間隔不足），此時仍然會有損失。 (zh) In machine learning, the hinge loss is a loss function used for training classifiers. The hinge loss is used for "maximum-margin" classification, most notably for support vector machines (SVMs). For an intended output t = ±1 and a classifier score y, the hinge loss of the prediction y is defined as Note that should be the "raw" output of the classifier's decision function, not the predicted class label. For instance, in linear SVMs, , where are the parameters of the hyperplane and is the input variable(s). (en) Em aprendizagem automática, a perda de articulação é uma função de perda usada para classificadores de treinamento. A perda de articulação é usada para , principalmente para máquinas de vetores de suporte (SVMs). Para uma saída pretendida t = ±1 e um escore de classificador y, a perda de articulação da previsão y é definida como: A em aprendizagem de máquina, a perda de articulação também é conhecida como "hinge loss" ou como "SVM loss". (pt) Завісні втрати (англ. hinge loss) у машинному навчанні — це функція втрат, яка використовується для навчання класифікаторів. Завісні втрати використовують для максимальної розділової класифікації, здебільшого для опорних векторних машин (ОВМ). Для поміченого виходу t = ±1 та оцінки класифікатора y, завісна втрата передбачення y визначається як Варто зауважити, що тут y є «сирим» значенням функції прийняття рішення у класифікаторі, а не міткою класу. Наприклад, в лінійних ОВМ , де є параметрами гіперплощини та — точка, яку потрібно класифікувати. (uk) |
| rdfs:label | Hinge loss (en) Perda de articulação (pt) Завісні втрати (uk) Hinge loss (zh) |
| owl:sameAs | freebase:Hinge loss yago-res:Hinge loss wikidata:Hinge loss dbpedia-fa:Hinge loss dbpedia-pt:Hinge loss dbpedia-uk:Hinge loss dbpedia-zh:Hinge loss https://global.dbpedia.org/id/4mm6T |
| prov:wasDerivedFrom | wikipedia-en:Hinge_loss?oldid=1122589693&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Hinge_loss_variants.svg wiki-commons:Special:FilePath/Hinge_loss_vs_zero_one_loss.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Hinge_loss |
| is dbo:wikiPageDisambiguates of | dbr:Hinge_(disambiguation) |
| is dbo:wikiPageRedirects of | dbr:Hinge_function |
| is dbo:wikiPageWikiLink of | dbr:Regularized_least_squares dbr:Generative_adversarial_network dbr:Online_machine_learning dbr:Gene_expression_programming dbr:Empirical_risk_minimization dbr:Large_margin_nearest_neighbor dbr:Linear_classifier dbr:Capsule_neural_network dbr:Regularization_(mathematics) dbr:Support_vector_machine dbr:Huber_loss dbr:Ordinal_regression dbr:Hinge_(disambiguation) dbr:Loss_function dbr:Manifold_regularization dbr:Weak_supervision dbr:Regularization_perspectives_on_support_vector_machines dbr:Outline_of_machine_learning dbr:Triplet_loss dbr:Hinge_function |
| is foaf:primaryTopic of | wikipedia-en:Hinge_loss |
