Table of Contents
توابع از دست دادن اجزای ضروری در مدل های یادگیری ماشین هستند.آنها اندازه گیری می کنند که پیش بینی های یک مدل با داده های واقعی مطابقت دارد. درک چگونگی محاسبه و اعمال توابع از دست دادن برای آموزش و بهینه سازی مدل موثر بسیار مهم است.
یک تابع از دست دادن چیست؟
عملکرد از دست دادن، تفاوت بین ارزش های پیش بینی شده و ارزش های واقعی را اندازه گیری می کند، یک ارزش عددی را فراهم می کند که نشان دهنده دقت مدل است.هدف در طول آموزش این است که این کاهش برای بهبود عملکرد مدل را به حداقل برساند.
انواع معمول از دست دادن توابع
- خطای میدان معدن (MSE): برای کارهای بازگشتی استفاده می شود، میانگین تفاوت مربعی بین مقادیر پیش بینی شده و واقعی را محاسبه می کند.
- از دست دادن موانع: مشترک در وظایف طبقه بندی، اندازه گیری تفاوت بین دو توزیع احتمال.
- [[۱] [۱۰] از دست دادن: [[۱۰] [۱۰] [۱] در دستگاه های پشتیبان استفاده می شود، بر حداکثر سود تمرکز دارد.
کاهش کالری در عمل
از دست دادن محاسبه شامل استفاده از فرمول عملکرد خاص برای پیش بینی های مدل و برچسب های واقعی است.برای مثال، MSE با جمع آوری تفاوت های مربع و تقسیم با تعداد نمونه ها محاسبه می شود.
اکثر چارچوب های یادگیری ماشین، توابع داخلی را برای محاسبه ی از دست دادن به طور موثر فراهم می کنند.در طول آموزش، بهینه سازی پارامترهای مدل را تنظیم می کند تا این کاهش را به طور غریزی به حداقل برساند.