힌지 손실 (Hinge Loss)

SVM의 대표 손실. 이진 분류 레이블 $y \in \{-1, +1\}$ 과 모델 점수 $s$ 에 대해:

$L(s, y) = \max(0, 1 - y \cdot s)$

배치 평균:

$\text{hinge}(\mathbf{s}, \mathbf{y}) = \frac{1}{N} \sum_i \max(0, 1 - y_i s_i)$

직관

• $y s > 1$ (마진 안쪽 + 정답 방향): 손실 0 — 모델이 확신 있게 맞춤.
• $0 < y s \leq 1$ (정답 방향이지만 마진 부족): 작은 손실.
• $y s \leq 0$ (틀린 방향): 큰 손실.

"1" 이 마진 경계. SVM이 마진을 최대화 하려는 이유가 여기 있어요.

과제

함수 hinge(s, y) 를 완성하세요.

• s: 점수 배열 (N,), y: {-1, +1} 배열 (N,).
• 반환: Python float (평균).
• np.maximum 으로 벡터화.

테스트 케이스

#	이름	s	y	기대
1	모두 마진 안쪽	[2, -3]	[1, -1]	0
2	마진 경계	[1, -1]	[1, -1]	0
3	마진 부족	[0.3]	[1]	0.7
4	완전히 틀림	[-2, 3]	[1, -1]	3.5