Hinge loss（铰链损失）是一种常用于机器学习（尤其是支持向量机 SVM）的损失函数，用来衡量分类预测与真实标签之间的“间隔（margin）”是否足够大：当样本被正确分类且间隔达到要求时损失为 0；否则损失随间隔不足而线性增加。常见形式为
\[ \max(0,\ 1 - y\cdot f(x)) \] 其中 \(y\in\{-1, +1\}\)。
/hnd ls/
The model uses hinge loss to train a linear classifier.
该模型使用铰链损失来训练线性分类器。
If a data point is correctly classified with a large margin, its hinge loss becomes zero, which helps the classifier focus on harder examples.
如果某个数据点被正确分类且间隔很大，它的铰链损失就为零，这会帮助分类器把注意力放在更难的样本上。
hinge 原意是“铰链”，引申为“转折点/门轴式结构”；hinge loss 之所以这样命名，是因为它的函数形状在某个阈值处像“铰链”一样发生折转：在满足间隔之前损失随误差增加而变化，达到阈值后损失“折过去”并变为 0。
Select Language