SVM（支持向量機）之Hinge Loss解釋

Hinge Loss 解釋 　　SVM 求解使通過建立二次規劃原始問題，引入拉格朗日乘子法，然後轉換成對偶的形式去求解，這是一種理論非常充實的解法。這裏換一種角度來思考，在機器學習領域，一般的做法是經驗風險最小化 ERM ，即構建假設函數爲輸入輸出間的映射，然後採用損失函數來衡量模型的優劣。求得使損失最小化的模型即爲最優的假設函數，採用不同的損失函數也會得到不同的機器學習算法，比如這裏的主題 SV

>>阅读原文<<