Are loss functions all the same? (Articolo in rivista)

Type

• Prodotto della ricerca (Classe)
• Articolo in rivista (Classe)

Label

• Are loss functions all the same? (Articolo in rivista) (literal)

Anno

• 2004-01-01T00:00:00+01:00 (literal)

Alternative label

• Lorenzo Rosasco; Ernesto De Vito; Andrea Caponnetto; Michele Piana; Alessandro Verri (2004)
  Are loss functions all the same?
  in Neural computation; MIT Press, Cambridge [MA] (Stati Uniti d'America)
  (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#autori

• Lorenzo Rosasco; Ernesto De Vito; Andrea Caponnetto; Michele Piana; Alessandro Verri (literal)

Pagina inizio

• 1063 (literal)

Pagina fine

• 1076 (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#numeroVolume

• 16 (literal)

Rivista

• Neural computation (Rivista)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#numeroFascicolo

• 5 (literal)

Note

• ISI Web of Science (WOS) (literal)
• Google Scholar (literal)
• Scopus (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#affiliazioni

• Dipartimento di Informatica e Scienze dell'Informazione, Università di Genova and Istituto Nazionale di Fisica della Materia, Sezione di Genova Dipartimento di Matematica, Università di Modena and Istituto Nazionale di Fisica della Materia, Sezione di Genova Dipartimento di Informatica e Scienze dell'Informazione, Università di Genova Dipartimento di Matematica, Università di Genova and Istituto Nazionale di Fisica della Materia, Sezione di Genova Dipartimento di Informatica e Scienze dell'Informazione, Università di Genova and Istituto Nazionale di Fisica della Materia, Sezione di Genova (literal)

Titolo

• Are loss functions all the same? (literal)

Abstract

• In this letter, we investigate the impact of choosing different loss functions from the viewpoint of statistical learning theory. We introduce a convexity assumption, which is met by all loss functions commonly used in the literature, and study how the bound on the estimation error changes with the loss. We also derive a general result on the minimizer of the expected risk for a convex loss function in the case of classification. The main outcome of our analysis is that for classification, the hinge loss appears to be the loss of choice. Other things being equal, the hinge loss leads to a convergence rate practically indistinguishable from the logistic loss rate and much better than the square loss rate. Furthermore, if the hypothesis space is sufficiently rich, the bounds obtained for the hinge loss are not loosened by the thresholding stage. (literal)

Editore

• MIT Press (Editore)

Autore CNR

• ALESSANDRO VERRI (Persona)
• MICHELE PIANA (Unità di personale esterno)
• LORENZO ROSASCO (Persona)

Incoming links:

Autore CNR di

• ALESSANDRO VERRI (Persona)
• MICHELE PIANA (Unità di personale esterno)
• LORENZO ROSASCO (Persona)

Editore di

• MIT Press (Editore)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#rivistaDi

• Neural computation (Rivista)