Sklearn 损失函数如何应用到_Python机器学习笔记：SVM（4）——sklearn实现

Sklearn中的损失函数是通过模型的loss参数来设置的。在SVM中，常用的损失函数有hinge损失和squared_hinge损失。

hinge损失函数是一种基于最大间隔的分类器损失函数，常用于线性SVM中。它的数学表达式为：

$$\max(0, 1 - y_i(w \cdot x_i + b))$$

其中，$y_i$表示第$i$个样本的真实标签，$w$和$b$表示线性SVM的参数，$x_i$表示第$i$个样本的特征。

squared_hinge损失函数是hinge损失函数的平方，它的数学表达式为：

$$\max(0, 1 - y_i(w \cdot x_i + b))^2$$

在Sklearn中，我们可以通过设置SVC类的loss参数来选择使用哪种损失函数。默认情况下，Sklearn使用hinge损失函数，即loss='hinge'。如果想使用squared_hinge损失函数，我们可以将loss参数设置为'squared_hinge'。例如：

from sklearn.svm import SVC

# 使用hinge损失函数的线性SVM
linear_svm = SVC(kernel='linear', C=1.0, loss='hinge')

# 使用squared_hinge损失函数的线性SVM
linear_svm = SVC(kernel='linear', C=1.0, loss='squared_hinge')