Epsilon-Insensitive Loss

定义 Definition

ε-不敏感损失（epsilon-insensitive loss）：机器学习（尤其是支持向量回归 SVR）中常用的一种损失函数。它规定：当预测值与真实值之差的绝对值 不超过 ε 时，损失为 0；只有误差 超过 ε 的部分才会被惩罚。常写作
\(L_\varepsilon(y,\hat y)=\max(0,\ |y-\hat y|-\varepsilon)\)。
（也常被称为 ε-不敏感损失函数。）

例句 Examples

In epsilon-insensitive loss, small errors within ε are ignored.
在 ε-不敏感损失中，落在 ε 范围内的小误差会被忽略。

Support vector regression often uses epsilon-insensitive loss to create a “tube” around the regression function, improving robustness to noise.
支持向量回归常用 ε-不敏感损失在回归函数周围形成一个“管状带”，从而对噪声更稳健。

发音 Pronunciation (IPA)

/ˈɛpsɪlɒn ɪnˈsɛnsɪtɪv lɔs/
（美式常见变体：/ˈɛpsɪlɑːn ɪnˈsɛnsətɪv lɔːs/）

词源 Etymology

epsilon (ε) 源自希腊字母表中的字母 Ε/ε，在数学与统计中常用来表示“很小的量”或“允许的误差界”。insensitive 表示“对……不敏感”，这里指对 ε 范围内的误差不计惩罚；loss 是机器学习里衡量预测误差的“损失”。合起来表示“对 ε 以内误差不惩罚的损失（函数）”。

相关词 Related Words

• Epsilon
• Loss
• Loss Function
• Huber Loss
• Absolute Error
• Mean Squared Error
• Support Vector Regression
• Margin
• Regularization
• Kernel

文献与作品 Literary / Notable Works

• Vapnik, The Nature of Statistical Learning Theory（统计学习理论经典著作，讨论 SVR 与 ε-不敏感思想）
• Schölkopf & Smola, Learning with Kernels（系统介绍支持向量方法与回归中的 ε-不敏感损失）
• Smola & Schölkopf, “A Tutorial on Support Vector Regression”（SVR 教程性质论文，常直接给出 ε-不敏感损失的形式与解释）