我试图了解损失函数的目的是什么，但我不太明白。
因此，据我所知，损失函数是为了引入某种度量标准，我们可以用它来衡量错误决策的“成本”。
假设我有一个包含 30 个对象的数据集，我将它们划分为 20 / 10 之类的训练/测试集。我将使用 0-1 损失函数，所以假设我的类标签集是M，函数看起来像这样：
所以我在我的训练数据上建立了一个模型，比如说，使用朴素贝叶斯分类器，这个模型正确地分类了 7 个对象（为它们分配了正确的类标签）和 3 个对象错误。
所以我的损失函数会返回“0”7 次和“1”3 次——我能从中得到什么样的信息？我的模型错误地分类了 30% 的对象？或者还有更多？
如果我的思维方式有任何错误我很抱歉，我只是在努力学习。如果我提供的示例“太抽象”，请告诉我，我会尝试更具体。如果你想用不同的例子来解释这个概念，请使用 0-1 损失函数。
您已经正确地将 0-1 损失函数总结为有效地查看准确性。您的 1 成为错误分类项目的指标，无论它们是如何被错误分类的。由于您在 10 个项目中有 3 个 1，因此您的分类准确率为 70%。
如果您更改损失函数的权重，则此解释不再适用。例如，在疾病分类中，漏诊阳性病例（假阴性）可能比错误诊断疾病（假阳性）代价更高。在这种情况下，您的损失函数将更加重视假阴性错误分类。在这种情况下，您的损失总和不再代表准确性，而是错误分类的总“成本”。0-1 损失函数的独特之处在于它等同于准确性，因为您关心的是您是否正确，而不是错误是如何产生的。
是的，基本上就是这样：您计算错误分类项目的数量。后面就没什么了，就是一个很基础的损失函数。接下来，0-1 损失导致目标分布的估计模式（与估计中位数损失相比）。
我认为您的困惑是没有区分一个数据点的损失与整个数据集的损失。
具体来说，您的是一个数据点的损失（我正在稍微更改符号）。而整个数据集的损失，即分类准确率，需要对所有数据点求和。