机器学习算法所用损失函数汇总

机器学习算法使用的损失函数有很多种，下面是一些常见的损失函数汇总：

1. 均方误差（Mean Squared Error，MSE）：用于回归问题，计算预测值与真实值之间的平均差的平方。

2. 交叉熵损失（Cross-Entropy Loss）：用于分类问题，衡量预测概率分布与真实标签之间的差异。

3. 对数损失（Log Loss）：也用于分类问题，基于对数函数的损失函数，用于测量分类模型的不确定性。

4. Hinge损失：用于支持向量机（SVM）中的二元分类问题，对于误分类的样本给予一定的惩罚。

5. KL散度（Kullback-Leibler Divergence）：衡量两个概率分布之间的差异，常用于生成模型中。

6. Huber损失：类似于均方误差，但对异常值（outliers）具有鲁棒性。

7. 绝对值损失（Absolute Loss）：也称为L1损失，计算预测值与真实值之间的绝对差。

8. 分类误差（Classification Error）：衡量分类模型在所有样本上的错误率。

这只是一部分常见的损失函数，不同的机器学习算法和任务可能会使用不同的损失函数。