নিউরাল নেটওয়ার্কের জন্য জরুরি ফাংশনগুলো অপরিহার্য । তারা ভবিষ্যদ্বাণীকৃত ফলাফল এবং প্রকৃত লক্ষ্যের মান পরিমাপ করে । এটি প্রশিক্ষণ প্রক্রিয়ার পরিমাপ করে দেখায় যে, মডেল কত ভালোভাবে অথবা কম ।

( নিম্নমুখী ফাংশন)

একটি নিউরাল নেটওয়ার্কের ভবিষ্যদ্বাণীর ত্রুটির হার। এটি একটি একক শ্লেষিক মূল্য দেয় যা মডেলের সঠিকতা প্রকাশ করে। প্রশিক্ষণকালীন ক্ষেত্রে এর লক্ষ্য হচ্ছে মডেলের কর্মক্ষমতা হ্রাস করা।

উচ্চ পার্থক্যের সাধারণ ধরন

  • [[F] Mrand ত্রুটি (M] [/ [FLT]] রি-সেটিং কাজের জন্য ব্যবহৃত হয়, এটি ভবিষ্যৎ- এর গড় বর্গ সংখ্যার মধ্যে উপস্থিত পার্থক্য গণনা করে ।
  • [[F] Colp-NOPCOP - NOPCOP:[FLT] সাধারণ[FLT] কাজের জন্য সাধারণভাবে ব্যবহৃত সাধারণভাবে ব্যবহৃত হয়, এটি দুটি সম্ভাবনা বিতরণের মধ্যে পার্থক্য পরিমাপ করে।
  • [[F] Hing Hing Hing Hing Hing Hing Hing Hing]:[FLT] ভেক্টর মেশিন সমর্থন করে ব্যবহৃত হয়, এর ফলে নিম্ন স্তরের ঘরের মধ্যে সীমা বৃদ্ধি পায় ।

নিউরোটাল নেটওয়ার্কস

পরাজয়ের মানে হল মডেলের গণনা এবং প্রকৃত লেবেলের মাধ্যমে হার হ্রাস করা । ফলাফল হলো মডেলের মান পরিবর্তন হলে মডেলের ভরশীল হওয়ার ফলের মান পরিবর্তিত হবে ।

উচ্চ গুণমানের হার (লস লিব্রেস্ট)

হারের ফলে প্রশিক্ষণ পদ্ধতি এবং চূড়ান্ত মডেলের ওপর প্রভাব ফেলে ।