HingeLoss 類別

定義

public sealed class HingeLoss : Microsoft.ML.Trainers.ILossFunction<float,float>, Microsoft.ML.Trainers.ISupportSdcaClassificationLoss

type HingeLoss = class
    interface ISupportSdcaClassificationLoss
    interface ISupportSdcaLoss
    interface IScalarLoss
    interface ILossFunction<single, single>
    interface IClassificationLoss

Public NotInheritable Class HingeLoss
Implements ILossFunction(Of Single, Single), ISupportSdcaClassificationLoss

繼承

Object

HingeLoss

實作

IClassificationLoss ILossFunction<Single,Single> IScalarLoss ISupportSdcaClassificationLoss ISupportSdcaLoss

備註

鉸鏈損耗函數定義為：

$L（\hat{y}， y） = max（0， m - y\hat{y}）$

其中 $\hat{y}$ 是預測分數，$y \{-1， 1\}$ 是真實標籤，$m$ 是預設設為 1 的邊際參數。

請注意，此計算中使用的標籤為 -1 和 1，與 Log Loss 不同，Log Loss 使用的標籤為 0 和 1。 此外，與 對數損失不同，$\hat{y}$ 是原始預測分數，而非預測機率（預測機率是透過對預測分數應用 S 函數 計算得出）。

雖然鉸鏈損失函數既凸又連續，但在 $y\hat{y} = m$ 處並非平滑（即不可微分）。 因此，它無法與依賴整個域微分性的梯度下降法或隨機梯度下降法一起使用。

更多資訊請參見 鉸鏈損耗分類。