- 思考與想法
- 不同損失函數是在不同場景下應用的，每一種損失函數背后都有一種假設，滿足假設的前提下，利用損失函數訓練出來的模型才有比較好的效果
- 損失函數MSE背后的假設是要滿足誤差分布滿足高斯分布，或者不嚴謹的來說，MSE適用於高斯分布的數據，常用在回歸問題的應用場景中；類似的，MAE背后的假設是誤差滿足拉普拉斯分布；
- Tweetie分布是一種右偏的數據分布，在商業場景中有很多例子，例如，數據從電子商務網站的數據，廣告點擊和購買，保險索賠等。數據整體集中在數值低的區域，Tweedie分布最明顯的一個特點是以一定的概率生成數值為0的樣本。Tweedie分布在商業場景中有很多例子，比如人們進入某個商城后的消費額。一部分人只是進去隨便逛逛（比如蹭空調），所以消費額是0，另一部分客戶是有消費額的，是隨機的連續數值。
Tweedie損失函數
正態分布（normal distribution）與偏態分布（skewed distribution）
右偏分布：什么意思？
機器學習常用損失函數小結
怎么理解tweedie分布？