损失函数与正则化的理解

损失函数的理解

1.什么是损失函数

当我们进行机器学习时，需要将每一个样本经过模型得到一个预测值，这个预测值与真实值之间的差值我们就可以称之为损失，损失函数就是为了测量这些损失的多少，以此来评估这个模型的好坏程度，即损失越小，模型越好，越接近实际。

如果你还是不能理解损失函数，那你可以这么理解：本博主很帅，你想变得和本博主一样帅，这时候你就需要一面镜子来衡量我们之间的差距，以便你追上本博主。这时，这面镜子就是损失函数，用来衡量我们之间的差异，让你不断进行改变，越来越靠近本博主。

2.损失函数的意义

经过模型时我们总会产生误差，我们当然想让误差无限的减小，这时后我们就需要引入损失函数进行评估，不同的模型所用的损失函数也不一样，找到适合的损失函数也是很关键的一点，因为它具有呈上启下的作用，承接模型发下来的预测值，启下计算预测值和真实值的差值。

3.常用损失函数

1）L1Loss函数：

tip：y帽是预测值，y是真实值，m是指一行数据有多少列

4.正则化的理解

说到损失函数，就不得不讲讲正则化了，那什么是正则化呢？其实，正则化就是给损失函数制定一些规则，使得由损失函数训练出来的模型没这么的“离谱”（太敏感或者太迟钝），让模型更加的贴近实际。

同样的用上面通俗的例子，读者既然想变得和博主一样帅，那使用的镜子就不能胡来，必须贴近实际，而不是通过哈哈镜让你看起来很瘦或者很肥，这样就远离了实际，就不能像博主一样帅了。给损失函数这面镜子一些限制条件，这就是正则化。

5.正则化的意义

1）当模型拟合程度较低时（称作欠拟合），这样的损失函数显然不是我们需要的。

2）当模型拟合程度过高时（称作过拟合），这样的损失函数显然也不是我们需要的，因为这样的损失函数会连杂物（俗称噪音）一起算进去。

3）适中的损失函数才是我们需要的。

这时候的正则化对损失函数的限制就是其意义所在了。