太古奇损失函数的局限性是什么

太古奇损失函数的局限性在于将顾客的损失定义为一个绝对值，认为只要偏离顾客原先订立的目标，就会给顾客带来损失。但事实上，损失有正向损失和负向损失之分。正向损失就是企业提供的产品或服务的特性与顾客目标之间的差距，并实实在在地造成了顾客的损失。而负向损失虽然也是产品服务特性与顾客目标之间的差距，但这种差距给顾客带来了惊喜，超出了顾客的期望值，可以说是“物超所值”，这种负向的损失实际上增加了顾客的价值，而不是损失。但在太古奇损失函数中，即使超出了顾客期望，也被定义为损失，这显然是与事实不相符的。

损失函数画图

Hinge loss function：

H(z)=max(0,1−z)

ψ-learning loss function:

ϕs(z)={sz<00z≥0

Normalized Sigmoid loss:

Pt(z)=1−tanh(tz)

Ramp loss function:

Rs(z)={0z>01−z0≤z≤11−sz>1

%plot loss function

%define the loss function

H = @(z)max(0,1-z) ; %Hinge loss function

P = @(z)(2(z<0)+0(z>=0)); %\psi-learning loss function

S = @(z)(1-tanh(2z)); %Normalized Sigmoid loss function

R = @(z)(1(z<0)+(1-z)(z>=0&z<1)+0(z>=1)); % ramp loss

z=-2:001:2;

subplot(1,4,1) % plot the 1st figure of 1-4

plot(z,H(z),'-','linewidth',2);

xlabel('z');

title('Hinge loss','fontweight','normal','fontsize',10);

axis([-2,2 0 3])

subplot(1,4,2)

plot(z,P(z),'g-','linewidth',2);

xlabel('z');

title('\psi-learnig loss','fontweight','normal','fontsize',10);

axis([-2,2 0 3])

subplot(1,4,3)

plot(z,S(z),'r-','linewidth',2);

xlabel('z');

title('Normalized Sigmoid loss','fontweight','normal','fontsize',10);

axis([-2,2 0 3])

subplot(1,4,4)

plot(z,R(z),'b-','linewidth',2);

xlabel('z');

title('Ramp loss','fontweight','normal','fontsize',10);

axis([-2,2 0 3])

惩罚项的设置取决于模型的类型，损失函数的形式，以及模型的复杂度。

1、惩罚项设置得越低，模型复杂度越高，拟合结果也越好，但容易出现过拟合问题。

2、惩罚项设置得越高，模型复杂度越低，拟合结果也越差，但容易出现欠拟合问题。

3、惩罚项的设置需要在实际任务中进行折中调整，以求得最优的拟合结果。