损失函数 hinge loss

Hinge Loss，也称为边际损失或最大间隔损失，是一种常用的分类损失函数，尤其是在支持向量机（SVM）中。它的主要目标是最大化样本之间的间隔，而不是直接预测每个样本的类别概率。Hinge Loss定义为：

对于单个样本 (x, y)，其中x是特征向量，y是对应的类别标签（-1 或 +1），Hinge Loss 计算的是真实类别 y 乘以预测值（f(x)）与1之间的最大差距，如果预测值正确（f(x) * y > 1），则损失为0；否则，损失等于(1 + y * f(x))。公式如下：

L(y, f(x)) = max(0, 1 - y * f(x))

当y * f(x) < 1 时，损失线性增加，随着预测错误的程度增大，损失也随之增加。如果预测正确（y * f(x) >= 1），则不产生损失。