4.5 损失函数（Loss Function）

损失函数（Loss Function） 是用来，评估当前通过模型得到的预测值和实际样本真实值之间差异的大小。通过损失函数的导数，可以得到当前迭代预测值趋近实际值的变化情况，即梯度。因此常被我们用来作为下一次迭代的依据。损失函数的计算涉及所有引入的参数，计算的尺度是从整个模型层面进行的。

如图，一次有效的损失函数计算，通常都是发生在一次全样本遍历（epoch）之后。我们通常使用的损失函数（Loss Function），严格意义上应该被称为 成本函数（Cost Function），即一种针对 整个训练集误差进行衡量 的目标函数。

损失函数的组成

损失函数的风险来源主要有两个：来自数据的风险 和 来自结构结构。这两种风险都会导致训练模型容易过拟合，而使得泛化能力受到影响。我们可以通过降低模型的复杂度来防止过拟合，这种方法被称为 正则化（Regularization）。

以最小化损失为目标，称为 经验风险最小化 ：

$minimize(\ Loss(\ Data|Model\ )\ )$

以最小化损失和复杂度为目标，称为 结构风险最小化 ：

$minimize(\ Loss(\ Data|Model\ )\ + complexity(\ Model\ )\ )$

我们通常用结构风险最小化的目标函数，作为实际损失函数。其成分广义上分为两个部分，损失项 和 正则项（在线上学习的角度上，还会引入第三项中心值项，用来约束新的迭代结果与历史记录差异性）。

损失项（Losses），用于衡量模型与数据的 拟合度（fitness） 的损失函数组成部分，也是实际需要进行选择性设计和采用的模型关键成分。这种针对性的处理，在聚类分析和人脸识别领域非常常见。根据功能的不同，又可以细分为 回归项（Regression） 和 分类项（Classification）。

正则项（Regularities），用于衡量模型 复杂度（complexity） 的损失函数组成部分。衡量模型复杂度的方法有很多。大部分是从权重对整个模型影响的层面来判断的，即从权重的大小，来衡量某个参数对整体模型的影响。

接下来，我们就分别从 回归项（Regression）、分类项（Classification）、正则项（Regularities）三种类型，来了解损失函数的使用。