机器算法验证 - 逻辑回归的正确损失函数 - 吾爱随笔录

我一直在对特定问题使用逻辑回归，论文使用的损失函数如下：

L (Y, \hat{Y}) = \sum_{i = 1}^{N} \log (1 + \exp (- y_{i} {\hat{y}}_{i}))

$L(Y,\hat{Y})=\sum_{i=1}^{N} \log(1+\exp(-y_i\hat{y}_{i}))$ 昨天，我遇到了 Andrew Ng 的课程（斯坦福笔记），根据他的说法，他给出了另一个直观的损失函数。功能是：

J (θ) = \frac{- 1}{N} \sum_{i = 1}^{N} y^{(i)} \log (h_{θ} (x^{(i)})) + (1 - y^{(i)}) \log (1 - h_{θ} (x^{(i)}))

$J(\theta)=\frac{−1}{N}\sum_{i=1}^{N}y^{(i)}\log(h_\theta(x^{(i)}))+(1−y^{(i)})\log(1−h_\theta(x^{(i)}))$ 现在我知道每个模型不仅有一个损失函数，而且两者都可以使用。

我的问题更多关于这两个功能的区别？与一个而不是另一个一起工作有什么好处吗？它们在任何方面都等效吗？谢谢！