اتلاف هینج

در یادگیری ماشین تابع اتلاف هینج یک تابع هزینه است که برای آموزش طبقه‌بندی آماری کاربرد دارد. تابع اتلاف هینج بیشتر برای حاشیه بیشینه طبقه‌بندی در ماشین‌های بردار پشتیبانی (SVMs) کاربرد دارد.^[۱]

برای خروجی $t = \pm۱$ و مرتبه طبقه‌بندی $y$ اتلاف هینج پیش‌بینی $y$ به صورت زیر تعریف می‌شود:

\ell (y)=\max(0,1-t\cdot y)

توجه کنید که $y$ باید خروجی خام تابع تصمیم‌گیری طبقه‌بندی باشد، نه برچسب طبقه.

به عنوان مثال، در SVM خطی $y=\mathbf {w} \cdot \mathbf {x} +b$ , where $(\mathbf {w} ,b)$ جایی که $(\mathbf {w} ,b)$ پارامترهای هایپر پلین و $\mathbf {x}$ است، نقطه‌ای برای طبقه‌بندی قرار دارد.

منابع

↑ Rosasco, L.; De Vito, E. D.; Caponnetto, A.; Piana, M.; Verri, A. (2004). "Are Loss Functions All the Same?" (PDF). Neural Computation. 16 (5): 1063–1076. doi:10.1162/089976604773135104. PMID 15070510.

[1] Rosasco, L.; De Vito, E. D.; Caponnetto, A.; Piana, M.; Verri, A. (2004). "Are Loss Functions All the Same?" (PDF). Neural Computation. 16 (5): 1063–1076. doi:10.1162/089976604773135104. PMID 15070510.

[۱]