lead over函数_目标函数的正则项

目标函数（Objective Function）、损失函数（Loss Function）、代价函数（Cost Function）在某些情况下可以互换使用，本文将详细说明它们之间有什么区别。

Loss Function

损失函数（Loss Function）衡量了模型 $f$ 对样本 $x$ 的预测结果 $\hat{y}=f(x)$ 与真实标签 $y\equiv y(x)$ 的距离。注意，损失函数的计算目标是单个样本 $x$。因此，大部分距离度量函数都能够作为损失函数，而选择不同的损失函数也有各自的优缺点。比如：

Square Loss：
$$L_{square}(\hat{y},y)=(\hat{y}-y{)}^2$$

Absolute Loss：
$$L_{abs}(\hat{y},y)=|\hat{y}-y|$$

Cost Function

代价函数（Cost Function）和损失函数（Loss Function）通常是一个意思，但有些作者对两者做出了明显的区分：损失函数的计算目标是单个样本 $x$，而代价函数的计算目标是一组样本。

假设 $L$ 为损失函数，计算样本 $x$ 上的损失。那么代价函数则可以表示为整个训练/验证/测试集 $\mathcal{D}=\{(x_i,y_i){\}}_{i=1}^n$ 上所有样本的损失之和的平均值（Cost = mean Loss）：
$$Cost(f,\mathcal{D})=\frac{1}{n}\sum _{i=1}^{n}L({\hat{y}}_i,y_i)$$

Mean Squared Error：
$$MSE=\frac{1}{n}\sum _{i=1}^n{L}_{squared}({\hat{y}}_i,y_i)=\frac{1}{n}\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2$$

Root-Mean-Square Error (RMSE)：
$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2}$$

Objective Function

在模型训练过程中，我们想要 Loss（Cost）值尽可能低，但是在训练集上的 low loss (cost) 不是唯一追求的目标。我们更关心的是模型的泛化能力，也就是在验证/测试集上的表现。为了避免模型对训练集的过拟合，我们通常会加一个正则化项（regularization term）来惩罚模型的复杂度，此时我们想要最小化的函数就变成了：
$$\mathbb{E}=Cost(f,\mathcal{D})+Regularizer(f)$$
此时 $\mathbb{E}$ 就是目标函数（Objective Function），是我们最终想要最小化/最大化的目标。这时代价函数作为目标函数中的一项，不一定能达到最小值（因为有正则化项约束）。当然，若不添加正则化项，则目标函数就等于代价函数。

Conclusion

损失函数（Loss Function）指在单个样本上的损失，代价函数（Cost Function）指在整个集合上所有样本损失的平均值，目标函数（Objective Function）指整体优化目标，可能包含额外的正则化项。

一种比较通用的说法是，最小化在整个集合上的损失函数，等价于最小化代价函数：

minimizing the cross-entropy loss over a training set $\{(x_i,y_i){\}}_{i=1}^n$

参考资料：
[1] Difference Between the Cost, Loss, and the Objective Function
[2] Objective function, cost function, loss function: are they the same thing?

今天的文章
lead over函数_目标函数的正则项分享到此就结束了，感谢您的阅读。