🎯 一、分类任务的损失函数
✅ 1. 多分类的交叉熵损失函数（Multi-class Cross-Entropy Loss）
🔍 通俗解释：
想象你在考试中选答案，老师根据你"猜对"的程度来打分。
如果你完全猜对了正确答案，得满分；
如果你猜错了，得分越低；
如果你把正确答案当成概率很低的选项，扣分更多。
📌 数学公式：
Loss=−∑�=1���log(�^�)Loss=−i=1∑Cyilog(y^i)
- ��yi ：真实标签（one-hot 编码），只有一个是 1，其余是 0
- �^�y^i ：模型预测的概率（比如 0.1, 0.7, 0.2）
- C：类别总数
✅ 举个例子：
假设一个图像识别任务有 3 类：猫、狗、鸟
表格
| 真实标签 | 模型预测概率 |
|---|---|
| 狗（即第2类） | 0.1, 0.7, 0.2 |
那么损失为：
Loss=−0⋅log(0.1)+1⋅log(0.7)+0⋅log(0.2)=−log(0.7)≈0.357Loss=−0⋅log(0.1)+1⋅log(0.7)+0⋅log(0.2)=−log(0.7)≈0.357
✅ 越接近 1 的预测值，损失越小 → 模型越准！
💡 应用场景：
- 图像分类（如猫/狗/鸟）
- 文本分类（如新闻类别）
- NLP 中的词预测（如 BERT）
✅ 2. 二分类的交叉熵损失函数（Binary Cross-Entropy Loss）
🔍 通俗解释：
就像判断一个东西是不是"好"或"坏"。
如果它是"好"，但你预测它是"坏"，那你就错了，惩罚大；
如果你是"半信半疑"（预测 0.5），说明你没把握，也得罚。
📌 数学公式：
Loss=−�log(�\^)+(1−�)log(1−�\^)Loss=−ylog(y\^)+(1−y)log(1−y\^)
- �y ：真实标签（0 或 1）
- �^y^ ：模型输出的概率（如 0.8 表示"是正类的可能性是 80%"）
✅ 举个例子：
判断一封邮件是否是垃圾邮件：
表格
| 真实标签 | 模型预测概率 |
|---|---|
| 是垃圾邮件（y=1） | �^=0.9y^=0.9 |
损失为：
Loss=−1⋅log(0.9)+(1−1)⋅log(1−0.9)=−log(0.9)≈0.105Loss=−1⋅log(0.9)+(1−1)⋅log(1−0.9)=−log(0.9)≈0.105
如果模型预测是 0.1（认为不是垃圾邮件），则：
Loss=−1⋅log(0.1)=−log(0.1)=2.302（惩罚很大！）Loss=−1⋅log(0.1)=−log(0.1)=2.302（惩罚很大！）
✅ 所以模型会尽量让正确的类别概率接近 1。
💡 应用场景：
- 垃圾邮件检测
- 疾病诊断（是否有病）
- 情感分析（正面 or 负面）
🎯 二、回归任务的损失函数
回归任务的目标是预测一个连续数值，比如房价、温度、年龄等。
✅ 1. MAE（Mean Absolute Error）平均绝对误差
🔍 通俗解释：
你猜一个房子价格，实际是 100 万，你猜了 110 万，差了 10 万；
另一个人猜了 90 万，也差了 10 万。
不管高估还是低估，都算"错 10 万"。
📌 公式：
MAE=1�∑�=1�∣��−�^�∣MAE=n1i=1∑n∣yi−y^i∣
✅ 举个例子：
表格
| 实际价格（y） | 预测价格（ŷ） | 绝对误差 |
|---|---|---|
| 100 | 110 | 10 |
| 100 | 90 | 10 |
| 100 | 105 | 5 |
MAE=10+10+53=8.33MAE=310+10+5=8.33
✅ 优点：对异常值不敏感（不会被极端错误拉大）
✅ 2. MSE（Mean Squared Error）均方误差
🔍 通俗解释：
和 MAE 类似，但"犯大错"会被狠狠惩罚！
比如你猜 100 万，实际是 10 万，差了 90 万，平方后变成 8100 万，非常大！
📌 公式：
MSE=1�∑�=1�(��−�^�)2MSE=n1i=1∑n(yi−y^i)2
✅ 举个例子：
表格
| 实际价格（y） | 预测价格（ŷ） | 平方误差 |
|---|---|---|
| 100 | 110 | 100 |
| 100 | 90 | 100 |
| 100 | 105 | 25 |
MSE=100+100+253=75MSE=3100+100+25=75
✅ 优点：能让模型更关注"大错误"，适合需要高精度的任务
✅ 3. Smooth L1 损失函数（Huber Loss）
🔍 通俗解释：
是 MAE 和 MSE 的"折中方案"：
- 当误差小时，像 MSE（平滑梯度）
- 当误差大时，像 MAE（避免爆炸）
📌 公式：
SmoothL1(�)={0.5�2if ∣�∣﹤1∣�∣−0.5otherwiseSmoothL1(x)={0.5x2∣x∣−0.5if ∣x∣﹤1otherwise
✅ 举个例子：
误差为 0.5 → 使用 0.5×0.52=0.1250.5×0.52=0.125
误差为 2 → 使用 2−0.5=1.52−0.5=1.5
✅ 优点：既不会对小误差太敏感，也不会对大误差过度惩罚
💡 应用场景：
- 目标检测（YOLO, Faster R-CNN）
- 物体跟踪
- 任何存在噪声或异常值的回归任务
🧩 总结对比表
表格
| 损失函数 | 适用任务 | 特点 | 例子 |
|---|---|---|---|
| 多分类交叉熵 | 分类（多类） | 对错分类惩罚明确 | 图像分类 |
| 二分类交叉熵 | 分类（两类） | 输出概率，适合 sigmoid | 垃圾邮件检测 |
| MAE | 回归 | 对异常值鲁棒 | 房价预测 |
| MSE | 回归 | 强调减少大误差 | 温度预测 |
| Smooth L1 | 回归 | 折中方案，稳定训练 | 目标检测框坐标 |
📌 记忆口诀
✅ 分类任务用"交叉熵"
✅ 回归任务看"大小"：
- 想稳一点 → 用 MAE
- 想准一点 → 用 MSE
- 想又稳又准 → 用 Smooth L1