入力を,出力をとする.のときは正例と,のときは負例と予測する分類器を考える.とすると,のとき正解で,のとき,不正解となる.不正解のときはを,正解の時はになるような損失関数を以下のように定義する.
ただし,は指示関数である.有名な損失関数として,hinge lossや,exponential lossがある.
流れ的には,目的関数を指示関数を使って上のように定義して,代理損失で置き換えるって感じかな.
Written with StackEdit.
入力をx∈X,出力をy∈{−1,1}とする.f(x)≥0のときは正例と,f(x)<0のときは負例と予測する分類器を考える.m=yf(x)とすると,m≥0のとき正解で,m<0のとき,不正解となる.不正解のときは1を,正解の時は0になるような損失関数を以下のように定義する.
I[m<0]
ただし,Iは指示関数である.有名な損失関数として,hinge lossや,exponential lossがある.
ℓhingeℓexp=max{0,1−m}=exp(−m)
流れ的には,目的関数を指示関数を使って上のように定義して,代理損失で置き換えるって感じかな.
Written with StackEdit.
機械学習の問題設定 機械学習の問題設定を見直したのでメモ. ( Ω , F , P ) (\Omega, \mathcal{F}, P) ( Ω , F , P ) : ベースとなる確率空間 ( X , F X ) (\mathcal...
0 件のコメント:
コメントを投稿