Table of Contents
توابع از دست دادن اجزای ضروری در آموزش مدل های یادگیری عمیق هستند.آنها اندازه گیری می کنند که پیش بینی های یک مدل با داده های واقعی مطابقت دارد. درک اینکه چگونه محاسبه و بهینه سازی این توابع برای بهبود عملکرد مدل بسیار مهم است.
یک تابع از دست دادن چیست؟
عملکرد از دست دادن تفاوت بین خروجی پیش بینی شده یک مدل و خروجی واقعی را اندازه گیری می کند، یک ارزش واحد را فراهم می کند که نشان دهنده خطای مدل است.
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 وظایف طبقه بندی، تفاوت بین دو توزیع احتمال را اندازه گیری می کند.
- از دست دادن: برای آموزش کلاسداران مانند ماشین آلات پشتیبان استفاده می شود.
کاهش مرحله به مرحله
فرآیند از دست دادن محاسبه شامل چندین مرحله است:
مرحله 1: پیش بینی را انجام دهید
داده های ورودی به مدل برای تولید پیش بینی ها تغذیه می شوند.این پیش بینی ها با برچسب ها یا ارزش های واقعی مقایسه می شوند.
مرحله دوم: خطای را تکمیل کنید
تفاوت بین ارزش های پیش بینی شده و واقعی با استفاده از تابع از دست دادن انتخاب شده محاسبه می شود.برای مثال، در MSE، این شامل تفاوت ها و به طور متوسط آنها است.
مرحله 3: بهینه سازی مدل
الگوریتم های درجه بندی شده پارامترهای مدل را برای به حداقل رساندن از دست دادن تنظیم می کنند.این فرایند آنی ادامه می یابد تا زمانی که از دست دادن به سطح قابل قبول برسد.