常见损失函数
哪些公司问过
答案要点
- 回归:MSE(对大误差敏感、对异常值不鲁棒)、MAE(对异常值稳健)、Huber(结合两者)
- 分类:交叉熵(二分类用二元交叉熵,多分类用 softmax + 交叉熵)
- 合页损失用于 SVM;对比损失、三元组损失用于度量学习;KL 散度衡量分布差异
- 分类用交叉熵而不是 MSE:梯度更合适,避免 sigmoid/softmax 饱和导致的梯度消失
- 选择取决于任务类型、数据分布、是否有异常值
易错点
- 分类任务使用 MSE
- 把正则化项和损失函数混为一谈
- 不考虑异常值对 MSE 的影响
- 交叉熵的输入没有经过 softmax 或 sigmoid
面试官常见追问
- 二分类为什么用交叉熵而不是 MSE?
- L1 和 L2 损失有什么区别?
- 交叉熵的公式是什么?
- 什么是 Huber 损失?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。