损失函数
是用来衡量一个预测器在对输入数据进行分类预测时的质量好坏。损失值越小，分类器的效果越好，越能反映输入数据与输出类别标签的关系（虽然我们的模型有时候会过拟合——这是由于训练数据被过度拟合，导致我们的模型失去了泛化能力）。
相反，损失值越大，我们需要花更多的精力来提升模型的准确率。就参数化学习而言，这涉及到调整参数，比如需要调节权重矩阵W或偏置向量B，以提高分类的精度。
Hinge Loss
多分类svm：
损失函数的计算方法为：，其中i代表第i个样品，j代表第j个种类，那么y_i代表第i个
样品的真实种类。
其中，常用的数学表达式为：，但为了与代码中的统一，从而稍微变动以下
，对于y_i来说同理。
计算正确类的预测值，和其他类的预测值之间的差距，如果正确类的预测值大于所有不正确的预测值则损失函数为0，证明当前的W和b所计算得到的效果很好。
当把损失值推广到整个训练数据集，则应为：
两分类SVM：
在二分类情况下，铰链函数公式如下：
L(y) = max(0 , 1 – t⋅y)
其中，y是预测值(-1到1之间)，t为目标值(1或 -1)。其含义为：y的值在 -1到1之间即可，并不鼓励 |y|>1，即让某个样本能够正确分类就可以了，不鼓励分类器过度自信，当样本与分割线的距离超过1时并不会有任何奖励。目的在于使分类器更专注于整体的分类误差。
计算案例
三个图片的损失和整体损失：
