Table of Contents
توابع از دست دادن اجزای ضروری در آموزش شبکه های عصبی هستند.آنها اندازه گیری می کنند که پیش بینی های مدل با داده های واقعی مطابقت دارد.انتخاب عملکرد مناسب برای دستیابی به عملکرد بهینه در وظایف یادگیری ماشین بسیار مهم است.
انواع توابع از دست دادن
وظایف مختلف نیاز به عملکرد مختلف از دست دادن دارند.
- خطای میدان معدن (MSE): برای مشکلات بازگشتی استفاده می شود، آن را به طور متوسط تفاوت مربع بین پیش بینی شده و ارزش های واقعی محاسبه می کند.
- از دست دادن موانع: برای وظایف طبقه بندی استفاده می شود، تفاوت بین دو توزیع احتمال را اندازه گیری می کند.
- [در این میان] [از دست دادن]: [[[۱]] [۱۰] [۱]] [۱] [۱]] [۲]] [۲]] [۲]] [۲] [۱] [۱]] [۲]] [۲] [۲] [۱] [۲] [۱]] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۵] [۳] [۲] [۲] [۲] [۵] [۲] [۵] [۲] [۲] [۲]]] [۵]]] [۲] [۲] [۲] [۲]]]]]]]] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲]]]] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲]] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲]]] [۲] [۲]]] [۲] [۲
انتخاب عملکرد از دست دادن مناسب
انتخاب بستگی به نوع مشکل و ویژگی های داده ها دارد.برای وظایف رگرسیون، MSE یا خطای مطلق (MAE) گزینه های معمول هستند.برای طبقه بندی، از دست دادن متقابل-تروفیلی ترجیح داده می شود.
کاهش کالری
محاسبه از دست دادن شامل استفاده از تابع انتخاب شده به پیش بینی های مدل و برچسب های واقعی است. اکثر چارچوب های یادگیری ماشین توابع داخلی برای محاسبه از دست دادن به طور موثر در طول آموزش، بهینه سازی پارامترهای مدل را برای به حداقل رساندن این از دست دادن تنظیم می کند.