亏本是一个数值方针文爱 电报群，用于形色模子的预计有多大偏差。亏本函数用于预计模子预计与本体标签之间的距离。磨砺模子的意见是尽可能裁减亏本，将其降至最低值。

不才图中，您不错将亏本可视化为从数据点指向模子的箭头。箭头暗示模子的预计效果与本体值之间的差距。

- 图1 -

亏本是从本体值到预计值预计的。

» 丢失距离

在统计学和机器学习中，亏本函数用于预计预计值与本体值之间的各异。亏本函数侧重于值之间的距离，而不是意见。举例，若是模子预计值为 2，但本体值为 5，咱们并不关注亏本为负值 −3（2−5=−3）。咱们关注的是这两个值之间的距离为 3。因此，所有效于猜测亏本的步调齐会移除象征。

移除此标记的两种最常用步调如下：

猜测本体值与预计值之间的差值的十足值。

将本体值与预计值之间的差值时常。

» 亏本类型

在线性回顾中，有四种主要的亏本函数，如下表所示。

- 图2 -

L1亏本函数和 L2 亏本函数（或 MAE 和 MSE）之间的功能各异在于时常。当预计值与标签之间的各异较大时，时常会使亏本变得更大。当各异很小（小于 1）时，时常会使亏本更小。

同期处理多个示例时，咱们提议对所有示例的亏本进行平均，不管是使用 MAE 依然 MSE。

» 猜测亏本示例

使用之前的最好拟合线，咱们将猜测单个示例的 L2 亏本。从最优拟合线中，咱们取得了权重和偏差的以下值：

Weight: −3.6

Bias: 30

若是模子预计重 2，370 磅的汽车每加仑可行驶 21.5 英里，但本体每加仑可行驶 24 英里，咱们将按如下风物猜测 L2 亏本：

（ ※ 留意： 由于图表的比例为 1000 磅，因此公式使用 2.37）

- 图3 -

在此示例中，该单个数据点的 L2 亏本为 6.25。

» 选拔亏本

详情是使用 MAE 依然 MSE 可能取决于数据集以及您但愿处理特定预计的风物。数据衔尾的大大宗特征值频频属于一个特定界限。举例，汽车频频在 2，000 到 5，000 磅之间，每加仑汽油能行驶 8 到 50 英里。重 8，000 磅的汽车或每加仑汽油行驶 100 英里的汽车齐超出了典型界限，会被视为离群值。

离群值还不错指模子的预计与信得过值之间的差距。举例，3，000 磅的车重属于典型的车重界限，而每加仑 40 英里的油耗属于典型的油耗界限。然而，关于模子的预计而言，重 3，000 磅的汽车每加仑能行驶 40 英里属于离群值，因为模子会预计重 3，000 磅的汽车每加仑能行驶 18 到 20 英里。

选拔最好亏本函数时，请接洽您但愿模子若那处理离群值。举例，MSE 会使模子更接近离群值，而 MAE 则不会。与 L1 亏本函数比较，L2 亏本函数对离群值的解决更高。举例，以下图片清楚了使用 MAE 磨砺的模子和使用 MSE 磨砺的模子。红线暗示将用于进行预计的完全磨砺好的模子。离群值更接近使用 MSE 磨砺的模子，而不是使用 MAE 磨砺的模子。

- 图4 -

使用 MSE 磨砺的模子会使模子更接近离群值。

涩涩电影网站

- 图5 -

使用 MAE 磨砺的模子与离群值的距离更远。

请留意模子与数据之间的策划：

MSE：

模子更接近离群值，但与大大宗其他数据点的距离更远。

MAE：

模子离离群值较远文爱 电报群，但离大大宗其他数据点较近。