本文主要向大家介绍了机器学习入门之损失函数是机器学习里最基础|：损失函数的作用，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

前言：损失函数是机器学习里最基础也是最为关键的一个要素，通过对损失函数的定义、优化，就可以衍生到我们现在常用的机器学习等算法中

损失函数的作用：衡量模型模型预测的好坏。

正文：

首先我们假设要预测一个公司某商品的销售量：

X：门店数 Y：销量

我们会发现销量随着门店数上升而上升。于是我们就想要知道大概门店和销量的关系是怎么样的呢？

我们根据图上的点描述出一条直线：

似乎这个直线差不多能说明门店数X和Y得关系了：我们假设直线的方程为Y=a0+a1X（a为常数系数）。假设a0=10 a1=3 那么Y=10+3X（公式1）

我们希望我们预测的公式与实际值差值越小越好，所以就定义了一种衡量模型好坏的方式，即损失函数（用来表现预测与实际数据的差距程度）。于是乎我们就会想到这个方程的损失函数可以用绝对损失函数表示：

公式Y-实际Y的绝对值，数学表达式：

上面的案例它的绝对损失函数求和计算求得为：6

为后续数学计算方便，我们通常使用平方损失函数代替绝对损失函数：

公式Y-实际Y的平方，数学表达式：L（Y，f（X））= 

上面的案例它的平方损失函数求和计算求得为：10

以上为公式1模型的损失值。

假设我们再模拟一条新的直线：a0=8，a1=4

公式对比，学习损失函数的意义

公式2 Y=8+4X

绝对损失函数求和：11 平方损失函数求和：27

公式1 Y=10+3X

绝对损失函数求和：6 平方损失函数求和：10

从损失函数求和中，就能评估出公式1能够更好得预测门店销售。

统计学习中常用的损失函数有以下几种：

(1) 0-1损失函数(0-1 lossfunction):

(2) 平方损失函数(quadraticloss function)

(3) 绝对损失函数(absoluteloss function)

(4) 对数损失函数(logarithmicloss function)或对数似然损失函数(log-likelihood loss function)

损失函数越小，模型就越好。

总结：

损失函数可以很好得反映模型与实际数据差距的工具，理解损失函数能够更好得对后续优化工具（梯度下降等）进行分析与理解。很多时候遇到复杂的问题，其实最难的一关是如何写出损失函数。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！