- 思考与想法
- 不同损失函数是在不同场景下应用的，每一种损失函数背后都有一种假设，满足假设的前提下，利用损失函数训练出来的模型才有比较好的效果
- 损失函数MSE背后的假设是要满足误差分布满足高斯分布，或者不严谨的来说，MSE适用于高斯分布的数据，常用在回归问题的应用场景中；类似的，MAE背后的假设是误差满足拉普拉斯分布；
- Tweetie分布是一种右偏的数据分布，在商业场景中有很多例子，例如，数据从电子商务网站的数据，广告点击和购买，保险索赔等。数据整体集中在数值低的区域，Tweedie分布最明显的一个特点是以一定的概率生成数值为0的样本。Tweedie分布在商业场景中有很多例子，比如人们进入某个商城后的消费额。一部分人只是进去随便逛逛（比如蹭空调），所以消费额是0，另一部分客户是有消费额的，是随机的连续数值。
Tweedie损失函数
正态分布（normal distribution）与偏态分布（skewed distribution）
右偏分布：什么意思？
机器学习常用损失函数小结
怎么理解tweedie分布？