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 کاهش دقت مدل و کارایی آموزش کمک می کند.
یک تابع از دست دادن چیست؟
عملکرد از دست دادن تفاوت بین ارزش های پیش بینی شده و ارزش های واقعی را در طول آموزش اندازه گیری می کند، هدف این است که این از دست دادن را به حداقل رساندن عملکرد مدل افزایش دهید.
انواع معمول از دست دادن توابع
- خطای میدان معدن (MSE): برای کارهای بازگشتی استفاده می شود، آن را به طور متوسط تفاوت مربع بین مقادیر پیش بینی شده و واقعی محاسبه می کند.
- از دست دادن موانع: مشترک در مسائل طبقه بندی، تفاوت بین دو توزیع احتمال را اندازه گیری می کند.
- [در این میان] [از دست دادن [از دست دادن]: در دستگاه های پشتیبانی استفاده می شود، این به حداکثر رساندن حاشیه بین کلاس ها کمک می کند.
چگونه برای انتخاب عملکرد از دست دادن مناسب
انتخاب بستگی به نوع مشکل و داده ها برای وظایف رگرسیون، MSE یا خطای مطلق (MAE) گزینه های معمول است.برای طبقه بندی، از دست دادن متقابل-تروفیلی اغلب ترجیح داده شده است.
کاهش کالری
از دست دادن محاسبه شامل استفاده از تابع انتخاب شده به پیش بینی های مدل شما و داده های واقعی است.در طول آموزش، یک الگوریتم بهینه سازی پارامترهای مدل را برای به حداقل رساندن این از دست دادن تنظیم می کند.این فرایند به طور غریزی ادامه می یابد تا زمانی که مدل به طور دقیق عمل کند.