Scharnierverlust

Für die binäre Klassifizierung kodieren Sie Beschriftungen als y in {-1, +1} und lassen Sie f(x) die Entscheidungsbewertung des Modells sein. Der vorzeichenbehaftete Rand beträgt y mal f(x). Der Scharnierverlust beträgt max(0, 1 - y f(x)). Ein korrekt klassifiziertes Beispiel mit einer Punktzahl in der richtigen Richtung kann immer noch Verluste erleiden, wenn es innerhalb der Einheitsmarge liegt. Ein Punkt auf oder hinter dem Rand weist keinen Scharnierverlust auf. Ein falsch klassifizierter Punkt hat eine negative vorzeichenbehaftete Marge und erhält eine Strafe größer als eins. Dieser Verlust ermutigt einen Klassifikator, Klassen mit einem Spielraum zu trennen und nicht nur korrekte Trainingsbezeichnungen zuzuweisen. In einer linearen Support-Vektor-Maschine gleicht das Ziel die Randbreite mit der Summe der Scharnierverluste aus, wobei ein Regularisierungsparameter den Kompromiss steuert. Eine stärkere Strafe für Verstöße kann die Trainingsdaten besser anpassen; Das Zulassen weiterer Verstöße kann eine breitere, einfachere Grenze begünstigen. Kernel-Methoden ändern die Merkmalsdarstellung unter Beibehaltung des randbasierten Ziels. Betrachten Sie ein hypothetisches Beispiel mit der Bezeichnung +1 und der Punktzahl 0,4. Seine Marge beträgt 0,4 und sein Verlust beträgt 0,6. Wenn ein anderes positives Beispiel die Punktzahl 1,3 hat, beträgt sein Verlust Null. Wenn ein negativ gekennzeichneter Fall eine Punktzahl von 0,5 hat, beträgt seine vorzeichenbehaftete Marge -0,5 und sein Verlust beträgt 1,5. Diese Werte zeigen, warum die Klassifizierungskorrektheit allein nicht über den Scharnierverlust entscheidet. Der logistische Verlust ist ebenfalls konvex und margin-sensitiv, aber im Gegensatz zum Scharnierverlust weist er korrekt klassifizierten Beispielen auch weit über die Marge hinaus weiterhin eine positive Strafe zu. Seine probabilistische Form verbindet sich natürlich mit der Log-Likelihood. Der Scharnierverlust selbst ist keine kalibrierte Wahrscheinlichkeitsschätzung. SVMs können mithilfe eines geeigneten Validierungsprozesses mit einer Wahrscheinlichkeitskalibrierung kombiniert werden, wenn Wahrscheinlichkeiten erforderlich sind. Skalieren Sie Funktionen, optimieren Sie die Regularisierung von Trainingsfalten und bewerten Sie Fehlerkosten anhand repräsentativer Daten. Scharnierverlust definiert nicht für jede Anwendung eine ideale Entscheidungsschwelle; Geschäftsauswirkungen erfordern möglicherweise eine gesonderte Schwellenwert- oder Klassengewichtungsentscheidung.