Loss functions（损失函数学习，系统总结）

Given a prediction (p) and a label (y), a loss function  measures the discrepancy between the algorithm's prediction and the desired output. VW currently supports the following loss functions, with squared loss being the default:

给定预测（p）和标签（y），损失函数测量算法的预测与期望输出之间的差异。 大众目前支持以下丢失功能，默认为平方丢失：

 我理解的损失函数：损失函数就是用来衡量模型的预测值于真实值之间的差异，他是一个非负的实值函数，通常用L（Y，f(x)）来表示，Y就是真实值或者我们通常叫它标签，而f（x）就是预测值，也就是我们通过模型计算出来的，L（Y，f(x)）就是损失函数，它用于衡量你这个模型好与不好，一般总体损失越小说明模型越好，反之，模型越差。一般都是要求模型的总体损失越小越好，一般为了防止模型拟合的太好，泛化能力差（模型在训练数据集上表现的很好，但是在验证集上表现很差）或者说为了提高泛化能力，我们会在损失函数中加入正则化项。