والتعلم المشرف هو مجال أساسي للتعلم الآلي يشمل نماذج تدريبية تستخدم بيانات مسمّاة، ويساعد فهم المؤسسات الرياضية في تصميم الخوارزميات الفعالة عن طريق استخلاص وظائف الخسارة وتدرجاتها، التي تسترشد بها عملية تحقيق الاستخدام الأمثل.

Loss Functions in Supervised Learning

وتقيس وظائف الخسارة التباين بين النواتج المتوقعة للنموذج والعلامات الفعلية، وهي أساسية بالنسبة لنماذج التدريب بتوفير قيمة ثابتة تبين مدى جودة أداء النموذج.

وتشمل مهام الخسارة المشتركة ما يلي: " الانحرافات " (Man Squared Error) فيما يتعلق بمهام التراجع والفقد عبر الأرض في مهام التصنيف، ويؤثر اختيار وظيفة الخسارة في عملية التعلم وسلوك التقارب.

Deriving Gradients of Loss Functions

وتشتمل الخريجات على وظيفة الخسارة فيما يتعلق بارامترات نموذجية، وهي تشير إلى اتجاه وحجم التعديلات اللازمة للتقليل إلى أدنى حد من الخسارة أثناء التدريب.

فعلى سبيل المثال، يكون مستوى مؤشر المساواة بين الجنسين فيما يتعلق بالتنبؤ (هات {y}) (هات {y})) (ي) هو الملصق الحقيقي (ذ) وهذا المشتق يرشد قاعدة التحديث في خوارزميات النسب المتدرجة.

الاستخدام الأمثل للمعاهد

(ج) تحديث خوارزميات النسب المتدرجة بشكل متكرر لمقاييس نموذجية بالانتقال إلى الاتجاه المعاكس للدرج، مما يقلل من وظيفة الخسارة، ويحسن الدقة النموذجية مع مرور الوقت.

  • حساب الخسارة للتنبؤات الحالية
  • Compute the gradient of the loss with respect to parameters.
  • تحديث البارامترات بطرح جدول متقدم
  • أكرر حتى يتم استيفاء معايير التقارب أو وقف التنفيذ.