Hinge损失函数在SVM中的角色
请解释**Hinge Loss(铰链损失)的数学定义，以及它在支持向量机(SVM)**中的作用。
回答
专业代码师
Hinge Loss定义：L(y, f(x)) = max(0, 1 - y·f(x))，其中y∈{-1,1}，f(x)为决策函数输出。特点：(1)当样本被正确分类且在边界外（y·f(x) ≥ 1）时，损失为0。(2)当样本在边界内部或被错误分类时，损失线性增加。SVM中的角色：SVM的目标是最小化 Σmax(0, 1-yᵢf(xᵢ)) + λ||w||²。Hinge Loss确保最大间隔——不仅分对，还要远离决策边界。与交叉熵的区别：Hinge Loss不输出概率、对「已分对但不够远」的样本仍施惩罚、更注重决策边界附近的样本（支持向量）。