损失函数是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子：
其中，前面的均值函数表示的是经验风险函数，L代表的是损失函数，后面的Φ是正则化项或者叫惩罚项，它可以是L1，也可以是L2，或者其他的正则函数。整个式子表示的意思是找到使目标函数最小时的θ值。下面主要列出几种常见的损失函数：
n log对数损失函数（逻辑回归）
n 平方损失函数（最小二乘法）
n 指数损失函数（Adaboost）
n Hinge损失函数（SVM）
n 0-1损失
n 绝对值损失
- log对数损失函数（逻辑回归）
Logistic回归的损失函数就是对数损失函数，在Logistic回归的推导中，它假设样本服从伯努利分布（0-1）分布，然后求得满足该分布的似然函数，接着用对数求极值。Logistic回归并没有求对数似然函数的最大值，而是把极大化当做一个思想，进而推导它的风险函数为最小化的负的似然函数。从损失函数的角度上，它就成为了log损失函数,其标准形式：
Logistic回归目标式子如下：
如果是二分类的话，则m值等于2，如果是多分类，m就是相应的类别总个数。
- 平方损失函数（最小二乘法, Ordinary Least Squares ）
最小二乘法是线性回归的一种方法，它将回归的问题转化为了凸优化的问题。最小二乘法的基本原则是：最优拟合曲线应该使得所有点到回归直线的距离和最小。通常用欧式距离进行距离的度量。当样本个数为n时，此时的损失函数变为：
Y-f(X)表示的是残差，整个式子表示的是残差的平方和，而我们的目的就是最小化这个目标函数值（注：该式子未加入正则项），也就是最小化残差的平方和。
而在实际应用中，通常会使用均方差（MSE）作为一项衡量指标，公式如下：
- 指数损失函数（Adaboost）
指数损失函数(exp-loss）的标准形式如下:
可以看出，Adaboost的目标式子就是指数损失，在给定n个样本的情况下，Adaboost的损失函数为：
关于Adaboost的推导，可参考《统计学习方法》P145.
- Hinge损失函数（SVM）
Hinge loss用于最大间隔（maximum-margin）分类，其中最有代表性的就是支持向量机SVM。Hinge函数的标准形式：
其中，t为目标值（-1或+1），y是分类器输出的预测值，并不直接是类标签。其含义为，当t和y的符号相同时（表示y预测正确）并且|y|≥1时，hinge loss为0；当t和y的符号相反时，hinge loss随着y的增大线性增大。可以参考《统计学习方法》P113.
- 0-1损失函数
在分类问题中，可以使用函数的正负号来进行模式判断，函数值本身的大小并不是很重要，0-1损失函数比较的是预测值与真实值的符号是否相同，0-1损失的具体形式如下：
- 绝对值损失函数
绝对损失函数的意义和平方损失函数差不多，只不过是取了绝对值而不是求绝对值，差距不会被平方放大，其形式为：
以上简单列出几种常见的损失函数，详情可参考相关资料进行深入了解。