概述

损失函数，loss function，也称误差函数，error function

是 预估值 与 真实值 的误差大小

作用：衡量模型模型预测的好坏

损失函数可以很好得反映 模型 与 实际数据 的差距，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，最难的是如何写出损失函数

损失函数有：

• 均方误差

• 损失函数-逻辑回归（二分类）

• 损失函数-交叉熵（多分类）

均方误差(mse)

mse，Mean Square Error，也称为 L2损失

是 真实值 与 预测值 的 差值 的 平方 然后求和平均。

用于处理 线性回归 问题

公式

说明：
y_true1….y_truem：真实的孩子身高

y1,y2,y3…ym：根据公式算出的结果

将其代入到上面公式，如下：

另一种写法

有的文章写法如下：

是为了方便求导

特点

1. 结果越接近0，说明预测值与真实值的误差越小
2. 可导，只有1个最小值
3. 更容易计算梯度

y1,y2,y3,y4的运算结果：

随机给出的 权重 和 偏置量：y=0.5*x+0.9，并代入 父母平均身高，算出的 孩子身高

均方误差的运算结果：

将 孩子身高 和 y ，代入公式，计算如下：

(1.735-1.7)^2+(1.74-1.8)^2+(1.745-1.72)^2+(1.75-1.73)^2 / 4

keras

tf.keras.losses.MSE

或者
字符串"mse"

平均绝对误差(mae)

mae，Mean Absolute Error，绝对误差的平均值。

可以更好地反映预测值误差的实际情况。

keras

tf.keras.losses.MAE

或者
字符串"mae"

原文出处：/show_1EF3qTvZH2yB.html