回归任务损失函数对比曲线

回归任务损失函数曲线可视化对比

本节将可视化对比均方误差(MSE)、平均绝对误差(MAE)、Huber损失函数三种常见回归任务损失函数的曲线,帮助理解它们在不同误差区间的表现差异。

1. 导入所需库

我们需要用到 numpy 进行数值计算,matplotlib 进行绘图。

python 复制代码
import numpy as np
import matplotlib.pyplot as plt

2. 定义损失函数(MSE、MAE、Huber)

分别实现均方误差(MSE)、平均绝对误差(MAE)和Huber损失的Python函数。

python 复制代码
def mse_loss(x):
    """均方误差"""
    return x ** 2

def mae_loss(x):
    """平均绝对误差"""
    return np.abs(x)

def huber_loss(x, delta=1.0): #delta阈值,控制损失函数从二次到线性切换的位置,常用1.0
    """Huber损失"""
    return np.where(np.abs(x) <= delta,
                    0.5 * x ** 2,
                    delta * (np.abs(x) - 0.5 * delta))

3. 生成误差数据

生成一组对称分布的误差(如-5到5),用于损失函数的输入。

python 复制代码
# 生成误差区间
errors = np.linspace(-5, 5, 200)

4. 计算各损失函数的取值

对每个误差值,分别计算MSE、MAE和Huber损失的结果。

python 复制代码
mse_values = mse_loss(errors)
mae_values = mae_loss(errors)
huber_values = huber_loss(errors, delta=1.0) #delta设置为1.0是为了与其他损失函数对比

5. 绘制损失函数对比曲线

使用matplotlib将三种损失函数的曲线绘制在同一张图上,便于直观对比。

python 复制代码
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'PingFang SC']  # 支持中文
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号
python 复制代码
plt.figure(figsize=(8, 5))
plt.plot(errors, mse_values, label='MSE (L2)', color='blue')
plt.plot(errors, mae_values, label='MAE (L1)', color='green')
plt.plot(errors, huber_values, label='Huber (δ=1.0)', color='red')
plt.xlabel('误差 (error)')
plt.ylabel('损失值 (loss)')
plt.title('MSE、MAE、Huber损失函数曲线对比')
plt.legend()
plt.grid(True)
plt.show()

总结

  • MSE 对大误差更敏感,曲线在远离0时增长更快。
  • MAE 对所有误差线性增长,对异常值不敏感,但在0点不可导。
  • Huber损失 在误差较小时与MSE一致,误差较大时与MAE一致,兼具二者优点,常用于鲁棒回归任务。
相关推荐
fanstuck1 小时前
AI辅助数学建模有哪些优势?
人工智能·数学建模·语言模型·aigc
一只安1 小时前
从零开发AI(不依赖任何模型)
人工智能·python
Miraitowa_cheems1 小时前
LeetCode算法日记 - Day 88: 环绕字符串中唯一的子字符串
java·数据结构·算法·leetcode·深度优先·动态规划
11年老程序猿在线搬砖1 小时前
如何搭建自己的量化交易平台
大数据·人工智能·python·自动交易·量化交易系统
Elastic 中国社区官方博客2 小时前
Elasticsearch 开放推理 API 增加了对 Google 的 Gemini 模型的支持
大数据·人工智能·elasticsearch·搜索引擎·ai·全文检索·googlecloud
周杰伦_Jay2 小时前
【实战|旅游知识问答RAG系统全链路解析】从配置到落地(附真实日志数据)
大数据·人工智能·分布式·机器学习·架构·旅游·1024程序员节
B站_计算机毕业设计之家2 小时前
python电商商品评论数据分析可视化系统 爬虫 数据采集 Flask框架 NLP情感分析 LDA主题分析 Bayes评论分类(源码) ✅
大数据·hadoop·爬虫·python·算法·数据分析·1024程序员节
架构技术专栏2 小时前
大模型安全:从对齐问题到对抗性攻击的深度分析
人工智能
麻雀无能为力2 小时前
深度学习计算
人工智能·深度学习
小白菜又菜2 小时前
Leetcode 1518. Water Bottles
算法·leetcode·职场和发展