本站原创文章，转载请说明来自《老饼讲解-深度学习》www.bbbdata.com
指数损失函数(Exponential Loss)是Adaboost集成算法提出的一种损失函数
本文介绍指数损失函数的公式，以及公式的条件，并进一步对公式的意义进行解读
通过本文可以了解指数损失函数是什么，有什么用，以及它的意义
本节介绍指数损失函数的表达式，并解释它的意义
指数损失函数是什么
指数损失函数(Exponential Loss)是一种专用于二分类模型的损失函数
指数损失函数的表达式如下：
其中，：样本个数
：第个样本的真实类别，
：模型对第个样本的预测的判别值，
当时，判为1类，否则为-1类
指数损失函数只适用于二分类，且类别标签为， Adaboost集成算法用的就是指数损失函数
如何理解指数损失函数
指数损失函数的表达式如下：
它用 来评估第i个样本的损失值
整个指数损失函数则是所有单样本损失值的平均值
而对于单个样本的损失值 而言，它的意义如下：
1. 模型预测正确时，，且判别值越大，损失值也越小
模型预测正确时， 要么且 ，或者且
不管哪种情况，都有 ，所以
同时，又因为越大，就越大，因此也越小
2. 模型预测错误时，，且判别值越大，损失值也越大
模型预测错误时， 要么且 ，或者且
不管哪种情况，都有 ，所以
同时，又因为越大，就越小，因此也越大
总的来说，样本预测越错误， 会越大，样本预测越正确， 会越小
这样的性质符合损失函数的要求，所以，可以用 来评估单样本的损失值
好了，以上就是指数损失函数的原理与公式了~
End
