对于所有的模型和算法,都有一个目标方程,比较理想的目标方程应该有两部分构成:损失函数和正则项,一个用来衡量模型的拟合效果,一个用来尽可能保证模型的简单和稳定:
损失函数:
平方损失函数(Square loss):
对数损失函数(Logistic loss):
Regularization:
L2 norm:
L1 norm:
岭回归和Lasso 回归是加了正则项的线性回归。
岭回归的目标函数:平方损失函数+L2正则
Lasso回归的目标函数:平方损失函数+L1正则
Logistic回归的目标函数:对数损失函数+L2正则
【逻辑回归:损失函数与梯度下降】
https://blog.csdn.net/jediael_lu/article/details/77852060
【线性回归的损失函数与逻辑回归的损失函数】
https://blog.csdn.net/wjlucc/article/details/71095206
【线性回归、岭回归、Lasso回归】
https://blog.csdn.net/hzw19920329/article/details/77200475
【正则化的线性回归 —— 岭回归与Lasso回归】
https://www.cnblogs.com/Belter/p/8536939.html