Шарнирная функция потерь

Материал из MachineLearning.

Версия от 16:20, 18 июля 2026; Aleksandr Pochtarev (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Перейти к: навигация, поиск

Статья написана с использованием LLM ChatGPT 5.6 Terra и проверена участником А.Ю.Почтарев 18 июля 2026

Промпт приводится полностью в Обсуждение:Шарнирная функция потерь

Содержание

1 Определение
2 Интуиция и геометрическая интерпретация
3 Связь с методом опорных векторов
4 Математические свойства
- 4.1 Выпуклость и субградиент
- 4.2 Связь с ошибкой классификации
5 Варианты и обобщения
6 Применение и выбор модели
7 Ограничения
8 История
9 См. также
10 Примечания
11 Литература

Шарнирная функция потерь (англ. hinge loss) — функция потерь для задач бинарной классификации. Она штрафует не только ошибочные ответы классификатора, но и верные ответы с недостаточным запасом. Шарнирная потеря наиболее известна как критерий обучения метода опорных векторов (SVM) с мягкой границей (англ. soft-margin SVM).^[1]

Название связано с графиком функции: он состоит из двух лучей, соединённых изломом в точке единичного запаса. В отличие от ошибки классификации «ноль—один», шарнирная потеря выпукла. Поэтому её можно эффективно минимизировать методами выпуклой оптимизации.

Определение

Пусть истинная метка объекта $y$ принимает одно из значений $-1$ или $+1$ , а классификатор возвращает вещественный балл $f(x)$ . Знак балла задаёт предсказанный класс: положительный соответствует классу $+1$ , отрицательный — классу $-1$ . Запас (англ. margin) объекта равен

$s=y f(x)$

Шарнирная потеря определяется формулой

$L(y,f(x))=\max(0,1-y f(x))$

или, через запас,

$L(s)=\max(0,1-s)$

Из этого определения следуют три важных случая:

если $s \geq 1$ , объект классифицирован верно и находится за границей запаса; его потеря равна нулю;
если $0 < s < 1$ , объект классифицирован верно, но расположен внутри полосы запаса; потеря положительна;
если $s \leq 0$ , знак предсказания неверен, а потеря не меньше единицы.

Величина $1$ в формуле — соглашение о масштабе. Если балл умножить на положительную константу, знаки предсказаний не изменятся, но функциональный запас изменится. В SVM этот масштаб фиксируется регуляризацией, поэтому единичная граница приобретает геометрический смысл.^[1]

Интуиция и геометрическая интерпретация

Для линейного классификатора

$f(x)=w^T x+b$

граница между классами задаётся уравнением $w^T x+b=0$ . Величина

$y(w^T x+b)/||w||$

равна знаковому расстоянию от объекта до этой границы. Условие нулевой шарнирной потери $y(w^T x+b) \geq 1$ означает, что расстояние до границы не меньше $1/||w||$ .

Таким образом, потеря поощряет не просто правильный знак, а уверенное разделение классов с полосой запаса. При этом точка далеко за границей запаса не улучшает критерий: её вклад уже равен нулю. Точки на границе запаса, внутри неё или по другую сторону границы влияют на решение; в SVM часть таких объектов становится опорными векторами.

Связь с методом опорных векторов

Мягкограничный линейный SVM можно записать через шарнирную потерю как задачу

$\min_{w,b} \frac{1}{2} ||w||^2 + C \sum_{i=1}^{n} \max(0,1-y_i(w^T x_i+b))$

Первое слагаемое является регуляризатором: уменьшение $||w||$ увеличивает геометрическую ширину полосы запаса. Второе слагаемое суммирует нарушения запаса. Параметр $C > 0$ задаёт компромисс между простотой границы и штрафом за ошибки на обучающей выборке.

Эквивалентная запись вводит неотрицательные переменные нарушения $\xi_i$ . Минимизируется

$\min_{w,b,\xi} \frac{1}{2} ||w||^2+C\sum_{i=1}^{n}\xi_i$

при условиях

$y_i(w^T x_i+b) \geq 1-\xi_i$

$\xi_i \geq 0$

Если исключить $\xi_i$ , для каждого объекта получается ровно шарнирная потеря. При использовании ядрового метода линейная функция строится в признаковом пространстве, но смысл потери и запаса сохраняется.^[1]

В разных программах регуляризацию параметризуют по-разному: вместо $C$ может использоваться коэффициент $\lambda$ перед нормой или перед средней потерей. Поэтому переносить численное значение гиперпараметра между библиотеками без проверки их формулы некорректно.

Математические свойства

Выпуклость и субградиент

Шарнирная потеря выпукла по запасу $s$ , но не дифференцируема в точке $s=1$ . Слева от излома её производная равна

$dL(s)/ds=-1, \quad s<1$

справа —

$dL(s)/ds=0, \quad s>1$

В точке $s=1$ используют субградиент: любое число от $-1$ до $0$ . Недифференцируемость не препятствует обучению линейных SVM: применяются методы квадратичного программирования, координатного спуска и субградиентные методы. Для моделей, обучаемых обычным градиентным спуском, нередко выбирают гладкие приближения или другие потери.

Связь с ошибкой классификации

Потеря «ноль—один» равна единице при ошибке и нулю в противном случае. Обозначив её индикатором $I$ , получаем

$L_{01}(y,f(x))=I(y f(x) \leq 0)$

Для любого объекта она не превосходит шарнирную потерю:

$L_{01}(y,f(x)) \leq L(y,f(x))$

Поэтому шарнирная потеря является выпуклой суррогатной функцией потерь (англ. convex surrogate loss) для ошибки классификации. Минимизировать исходную ошибку напрямую трудно: она разрывна и невыпукла. Теория суррогатных потерь связывает уменьшение ожидаемого шарнирного риска с уменьшением ошибки классификации; однако это утверждение относится к корректно заданной статистической задаче и не отменяет необходимость регуляризации, достаточной выборки и честной проверки качества.^[1]^[1]

При фиксированном объекте $x$ оптимальный знак балла минимизирует байесовскую ошибку классификации: он положителен, если вероятность класса $+1$ больше половины, и отрицателен, если она меньше половины. Это свойство называют классификационной согласованностью (англ. classification calibration). Само значение $f(x)$ при этом не следует трактовать как вероятность класса: шарнирная потеря специально насыщается при запасе $1$ . Для вероятностного вывода требуются отдельная калибровка или вероятностная модель.

Варианты и обобщения

Квадратичная шарнирная потеря (англ. squared hinge loss) сильнее штрафует большие нарушения:

$L_{sq}(y,f(x))=[\max(0,1-y f(x))]^2$

В отличие от обычной шарнирной потери, она дифференцируема в точке единичного запаса, но квадратичный рост делает её более чувствительной к большим нарушениям.

В многоклассовой классификации используют несколько оценок $f_k(x)$ , по одной на класс. Один из вариантов многоклассовой шарнирной потери для истинного класса $y$ имеет вид

$L(x,y)=\max_{k \ne y}(0,1+f_k(x)-f_y(x))$

Она требует, чтобы оценка правильного класса превосходила каждую конкурирующую оценку хотя бы на единицу. Прямая многоклассовая постановка SVM была разработана Коби Краммером и Йорамом Зингером.^[1]

К родственным критериям относят перцептронную потерю, которая штрафует только ошибочный знак, и логистическую потерю

$L_{log}(y,f(x))=\log(1+\exp(-y f(x)))$

Логистическая потеря гладкая и не имеет участка с нулевым штрафом; при подходящих предпосылках её оптимальный балл связан с логарифмом отношения вероятностей классов. Выбор между этими потерями — свойство всей модели и прикладной цели, а не только вопрос удобства оптимизации.^[1]

Применение и выбор модели

Шарнирная потеря применяется прежде всего в линейных и ядерных SVM для распознавания двух классов. Она также встречается в методах ранжирования и структурного предсказания, где запас задают для пары объектов или для конкурирующих структур. Во всех случаях критерий обучения не заменяет внешнюю метрику качества: для несбалансированных классов, медицинского скрининга или обнаружения мошенничества могут быть важнее точность, полнота, PR-AUC либо стоимость ошибок конкретного типа.

На практике параметры регуляризации и, при необходимости, ядра выбирают по перекрёстной проверке (англ. cross-validation) или на отложенной выборке (англ. hold-out validation). Числовые признаки обычно масштабируют до обучения SVM. При дисбалансе классов применяют веса наблюдений или классов: штраф за нарушение запаса становится различным для разных меток. Тестовую выборку нельзя использовать для выбора этих параметров, иначе оценка обобщающей способности будет смещена.

Ограничения

Шарнирная потеря не даёт вероятности класса и не различает по значению функции объекты, уже вышедшие за границу запаса.
Излом в точке $s=1$ требует субградиентных или специализированных методов оптимизации; это не проблема для SVM, но может быть неудобно в некоторых дифференцируемых конвейерах.
Потеря растёт линейно и не ограничена сверху. Ошибочные метки и сильные выбросы могут существенно менять решение, особенно при большом $C$ .
Единичный запас не освобождает от настройки регуляризации. Без неё масштаб функции и сложность модели не определены должным образом.

История

Шарнирная потеря получила широкое распространение вместе с мягкограничным SVM. В статье Коринны Кортес и Владимира Вапника, опубликованной в 1995 году, метод опорных векторов был распространён с линейно разделимых данных на неразделимые выборки для задач распознавания двух групп.^[1] Позднее шарнирная потеря стала важным примером выпуклой суррогатной функции при изучении классификации с максимальным запасом и обобщающей способности.^[1]

См. также

Примечания

Литература

Кортес К., Вапник В. Support-vector networks // Machine Learning. — 1995. — Vol. 20, no. 3. — P. 273–297.
Вапник В. Н. The Nature of Statistical Learning Theory. — New York: Springer, 1995. — 188 p. — ISBN 978-1-4757-2440-0.
Розетт С., Чжу Ц., Хасти Т. Дж. Margin Maximizing Loss Functions // Advances in Neural Information Processing Systems 16. — 2003. — P. 49–56.
Бартлетт П. Л., Джордан М. И., Маколифф Дж. Д. Convexity, Classification, and Risk Bounds // Journal of the American Statistical Association. — 2006. — Vol. 101, no. 473. — P. 138–156.
Чжан Т. Statistical Behavior and Consistency of Classification Methods Based on Convex Risk Minimization // The Annals of Statistics. — 2004. — Vol. 32, no. 1. — P. 56–85.
Краммер К., Зингер Й. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines // Journal of Machine Learning Research. — 2001. — Vol. 2. — P. 265–292.

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%A8%D0%B0%D1%80%D0%BD%D0%B8%D1%80%D0%BD%D0%B0%D1%8F_%D1%84%D1%83%D0%BD%D0%BA%D1%86%D0%B8%D1%8F_%D0%BF%D0%BE%D1%82%D0%B5%D1%80%D1%8C»

Категории: Машинное обучение | Статистическая классификация