对数据进行了训练，以建模基础模式[3-6]。机器学习方法可以应用于许多不同的研究领域，包括生物医学科学[7-10]，Nat-Ural语言理解[11，12]，[13]，[13]异常检测[14]，图像分类[15]，数据库知识发现[16]，机器人学习[17]，在线广告[18]，时间序列[18]，时间序列[199]，更多的[19] 21 21 [21] [21] [21] [21] [] [21] [] [21] [] [21] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] [] [21] []要训练这些算法，有必要定义一个目标函数，从而给出算法性能的标量度量[3，22]。然后可以通过优化目标函数的值来训练它们。在机器学习文献中，这种目标函数通常以损失函数的形式定义，在最小化时，它们是最佳的。损失函数的确切形式取决于要解决的问题的性质，可用的数据以及正在优化的机器学习算法的类型。因此，找到适当的损失功能是机器学习中最重要的研究努力之一。随着机器学习的进展，已经引入了许多损失功能来解决各种任务和应用程序。总结和理解这些功能是必不可少的，但是很少有作品尝试全面概述整个领域的损失功能[23]。现有评论通常缺乏可靠的分类法来有效地构建和背景化这些功能，或者狭窄地关注特定应用，例如图像分割或分类[24，25]。1。此外，没有一个来源在统一的正式环境中呈现最常用的损失功能，从而提供了有关其最终优势，限制和用例的详细见解。因此，我们一直在努力建立适当的损失功能分类法，我们在其中显示了每种技术的优势和缺点。我们希望这对于想要熟悉机器学习文献中最常见的损失功能并找到适合他们试图解决的问题的新用户很有用。我们还希望此摘要将作为高级用户的全面参考，使他们能够快速找到最佳的损失功能，而无需大量搜索文献。此外，这对于研究人员找到可能进行进一步研究的途径或了解将其提出的任何新技术放置在哪里可能有所帮助。，例如，他们可以使用此调查来了解我们提出的分类法内的新建议是否适合某个地方，或者他们是否属于一个全新的类别，也许以新颖的方式结合了不同的想法。总体而言，我们包括43个最广泛使用的损失功能。在这项工作的每个部分中，我们都根据可以使用的任务的广泛分类来分解损失。每个损失函数将被数学定义，其最常见的应用程序列出了强调优势和缺点。这项工作的主要贡献可以在图每个损失函数首先根据其所利用的特定任务进行划分：回归，分类，排名，基于能量的建模。最后，我们通过其潜在策略对每个损失函数进行了分类，例如误差最小化，概率形式化或边缘最大化。