حسابات وظائف الخسارة في التعلم الإشرافي: من ميس إلى عبر المؤسسة

وتُعدّ المهام المتعلقة بالخسائر ضرورية في مجال التعلم تحت الإشراف لأنها تقيس الفرق بين النواتج المتوقعة والعلامات الفعلية، وهي تسترشد بعملية التدريب بتوفير قياس أقصى ما يمكن، وتستخدم وظائف مختلفة للخسائر تبعا لنوع المشاكل وخصائص البيانات.

Mean Squared Error (MSE)

ويستخدم الرعب المتناثر عادة في مهام التراجع، وهو يحسب متوسط مساحت الاختلافات بين القيم المتوقعة والقيم الفعلية، والصيغة هي:

MSE = (1/n) / (y_]i - ⁇ _]i)2]

Where y_i is the true value, ⁇ _]i is the predicted value, and n is the number of samples. MSE penalizes larger errors more heavily, encouraging the model to minimize significant deviations.

الخسائر في الأرواح

وتستخدم الخسارة الشاملة لعدة جوانب في المقام الأول في مهام التصنيف، وهي تقيس التباين بين التوزيع المتوقع للاحتمالات والتوزيع الحقيقي، وفيما يتعلق بالتصنيف الثنائي، فإن الصيغة هي:

Cross-Entropy = - [ y log( ⁇ ) + (1 - y) log(1 - ⁇ ) ]

حيث تكون العلامة الحقيقية (0 أو 1) و(اي) هي الاحتمال المتوقع للفصل الإيجابي، ووظيفة الخسارة هذه تعاقب التنبؤات الخاطئة بدرجة أكبر عندما يكون النموذج واثقاً ولكن خاطئاً.

المقارنة والتأشيرات

وآلية الرصد والتقييم مناسبة لمتغيرات الإنتاج المستمرة، في حين أن التطوّر الشامل هو المثال المثالي للبيانات القاطعة، ويعتمد اختيار وظيفة الخسارة المناسبة على نوع المشكلة وطبيعة الناتج.

• مشاكل الانحدار
• مشاكل التصنيف
• اعتبارات التقارب النموذجية
• معالجة المخارج