![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/b/b5/Hinge_loss_vs_zero_one_loss.svg/langzh-hant-640px-Hinge_loss_vs_zero_one_loss.svg.png&w=640&q=50)
Hinge loss
維基百科,自由的 encyclopedia
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)。[1]
對於一個預期輸出 ,分類結果
的鉸鏈損失定義為
![Thumb image](http://upload.wikimedia.org/wikipedia/commons/thumb/b/b5/Hinge_loss_vs_zero_one_loss.svg/640px-Hinge_loss_vs_zero_one_loss.svg.png)
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
是超平面參數,
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
時,鉸鏈損失
。但是,當它們異號(意即分類器的輸出
是錯誤的分類)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。