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.انتخاب عملکرد مناسب برای آموزش مدل های موثر متناسب با وظایف خاص بسیار مهم است.
توابع از دست دادن چیست؟
عملکرد از دست دادن تفاوت بین خروجی های پیش بینی شده و ارزش های واقعی را در طول آموزش اندازه گیری می کند، مدل ها هدف این کاهش را برای بهبود دقت می دانند. وظایف مختلف نیاز به عملکرد های مختلف از دست دادن برای جذب ماهیت خاص مشکل دارند.
انواع معمول از دست دادن توابع
- خطای میدان معدن (MSE): برای کارهای بازگشتی استفاده می شود، اشتباهات بزرگتری را به شدت مجازات می کند.
- از دست دادن موانع: مشترک در مسائل طبقه بندی، تفاوت بین دو توزیع احتمال را اندازه گیری کنید.
- [در این میان] از دست دادن [از دست دادن] بهره برداری کنید؛ [[۱]] در دستگاه های پشتیبان برای کارهای طبقه بندی استفاده می شود.
- [در این میان] [از دست دادن [از دست دادن]: [[۱]] [[۱۰]]] ویژگی های MSE و MAE را به صورت قوی به بیرون ترکیب کنید.
انتخاب عملکرد از دست دادن مناسب
انتخاب بستگی به ویژگی های خاص درخواست و داده دارد.برای مثال، وظایف رگرسیون اغلب از MSE یا Huber از دست دادن استفاده می کنند، در حالی که وظایف طبقه بندی معمولا از cross-entropy استفاده می کنند، ماهیت خطاها و حضور غیر رسمی ها را هنگام انتخاب یک تابع از دست دادن در نظر بگیرید.
کاهش کالری
از دست دادن محاسبه شامل استفاده از فرمول ریاضی تابع از دست دادن انتخاب شده به پیش بینی های مدل و داده های واقعی است.در طول آموزش، الگوریتم های بهینه سازی پارامترهای مدل را برای به حداقل رساندن این ارزش، بهبود عملکرد بیش از حد ⁇ تنظیم می کنند.