sklearn损失函数

scikit-learn（sklearn）是一个常用的机器学习库，提供了多种损失函数用于不同的机器学习任务。以下是一些常见的sklearn损失函数：

1. 平方损失函数（Mean Squared Error，MSE）：计算预测值与真实值之间的平方差的均值。它在回归问题中广泛使用。

2. 绝对损失函数（Mean Absolute Error，MAE）：计算预测值与真实值之间的绝对差的均值。它也常用于回归问题，对异常值不敏感。

3. 对数损失函数（Log Loss）：用于二分类或多分类问题中，衡量模型的概率预测与真实标签之间的差异。常用于逻辑回归等模型。

4. Hinge损失函数：用于支持向量机（SVM）中的二分类问题，通过最大化边界来分类样本。

5. Huber损失函数：结合了平方损失和绝对损失，对异常值具有鲁棒性。

6. 交叉熵损失函数（Cross-Entropy Loss）：用于多分类问题中，衡量模型的概率预测与真实标签之间的差异。

7. KL散度损失函数（Kullback-Leibler Divergence Loss）：用于衡量两个概率分布之间的差异，常用于生成模型中。