详细内容或原文请订阅后点击阅览
为菜鸟解释损失函数（模型如何知道自己错了）
这是理解机器学习中的损失函数以及模型如何从错误中学习的简单指南。
来源:KDnuggets简介
我知道，当初学者开始学习机器学习时，一开始事情看起来很简单。您遵循一个教程，要求您加载数据集，训练模型，然后您会看到类似这样的内容：loss =“mse”或 criteria = nn.CrossEntropyLoss()。
就像这样，教程开始讨论方程、梯度、优化和希腊字母。如果您曾经在没有真正理解损失函数作用的情况下点头同意，那么您并不孤单。损失函数通常是向后解释的。大多数教程从公式开始，而它们应该从想法开始。这篇文章是我的菜鸟系列的一部分，我会让你更容易理解。那么，让我们开始吧。
什么是损失函数？
损失函数是机器学习模型如何知道其错误程度的方式。这实际上就是整个概念。模型做出预测。损失函数将该预测与正确答案进行比较。然后它给模型一个数字，上面写着“这就是你的错误有多严重”。
高损失意味着模型非常错误。
低损失意味着模型很接近。
在训练过程中，模型不断自我调整，使损失变小。
这就是学习的发生方式。如果你玩过飞镖游戏，就会发现它非常相似。你扔飞镖。为了改进，你需要反馈。您需要知道您的飞镖是否稍微偏离、太远、太高或太左。没有反馈，你就无法进步。所以，靶心基本上是正确答案，飞镖是预测。您测量飞镖和靶心之间的距离。损失函数衡量飞镖落地的距离。该距离成为模型的反馈信号。如果您更喜欢可视化，那么它会是这样的。
就像距中心的距离很重要一样，扔得太近并不等于距离太远。同样，对于模型来说，仅仅知道答案是错误的也是不够的。模型需要知道它失败的严重程度才能进行改进。