Hinge Loss 和 Zero-One Loss

维基百科：https://en.wikipedia.org/wiki/Hinge_loss

图表说明：

• 纵轴表示固定 $t=1$ 的 Hinge loss（蓝色）和 Zero-One Loss（绿色）的值，而横轴表示预测值 $y$ 的值。
• 该图显示，Hinge loss 惩罚了预测值 $y<1$，对应于支持向量机中的边际概念。

Hinge Loss

Hinge Loss是一种常用的机器学习损失函数，通常用于支持向量机（SVM）模型中的分类问题。该函数的定义如下：
$$\begin{gathered} L(y,f(x))=\max (0,1-y_i\cdot f(x)) \\ f(x)=w^{\mathrm{T}}{x}_i+b\text{\hspace{1em}(1)} \end{gathered}$$
其中，$y_i$ 是样本的真实标签，$f(x)$ 是模型的预测值。该函数的取值范围是非负实数，当预测值和真实值之间的误差越大时，损失函数的值越大。

当样本被正确分类时，即 $y_i\cdot f(x)>0$，此时 Hinge Loss 的取值为0，表示模型分类正确，没有产生误差。

当样本被错误分类时，即 $y_i\cdot f(x)<0$，此时 Hinge Loss 的取值为 $1-y_i\cdot f(x)$，表示模型的分类错误，并且分类误差越大，Hinge Loss 的值就越大。

Hinge Loss 的目标是最小化分类误差，同时鼓励模型产生较大的间隔（即正确分类和分类超平面之间的距离）。

在支持向量机中，目标是找到一个最大间隔的超平面来分类样本，因此，可以将 Hinge Loss 和间隔相关联。对于一个样本点 $(x_i,y_i)$，其与超平面之间的距离为：
$$\frac{y_i{w}^T{x}_i+b}{\Vert w\Vert }\text{\hspace{1em}(2)}$$
其中，$w$ 和 $b$ 是支持向量机模型中的权重和偏置。将这个距离记为 ${\gamma }_i$，可以将 Hinge Loss 重新表达为：
$$L(y_i,f(x_i))=\max (0,1-y_i({\gamma }_i\Vert w\Vert ))\text{\hspace{1em}(3)}$$
因此，Hinge Loss 不仅能够表达分类误差，还能够促进模型产生较大的间隔，从而增加模型的泛化能力。

Zero-One Loss

Zero-One Loss 是机器学习中的一种常见的分类损失函数。对于一个二分类问题，假设 $y\in -1,1$ 为真实标签，$f(x)$ 为模型对样本 $x$ 的预测值，Zero-One Loss 定义为：
$$L(y,f(x))=\{\begin{array}{ll}0& \text{if }y=f(x)\\ 1& \text{otherwise}\end{array}\text{\hspace{1em}(4)}$$
也就是说，当模型的预测结果与真实标签一致时，Zero-One Loss为0；否则，Loss为1。从表达式上可以看出，Zero-One Loss对预测的错误惩罚非常高，因为无论错误的预测有多么接近正确，Loss都会被计算为1。与其他的损失函数相比，Zero-One Loss往往被认为是一种非常严格的评估方式。

然而，由于 Zero-One Loss 本身是不可导的，因此在训练模型时通常会选择使用一些可导的近似函数，如 Hinge Loss 或 Cross Entropy Loss 等。相对于 Zero-One Loss，这些损失函数更为平滑，可以帮助模型更快、更稳定地收敛。

需要注意的是，尽管 Zero-One Loss 在评估模型性能时非常严格，但在实际应用中往往不是最优的选择。特别是当数据集中的标签存在一定的噪声时，使用 Zero-One Loss 可能会导致模型过于拟合训练集，而无法有效地泛化到测试集。因此，在实际应用中，我们通常会使用更加平滑的损失函数，同时结合一些常见的正则化技术，如L1/L2正则化等，来控制模型的复杂度和泛化能力。