हानि कार्यों प्रशिक्षण तंत्रिका नेटवर्क में आवश्यक घटक हैं। वे मापते हैं कि कैसे अच्छी तरह से मॉडल की भविष्यवाणियां वास्तविक डेटा से मेल खाती हैं। उचित हानि समारोह का चयन मशीन लर्निंग कार्यों में इष्टतम प्रदर्शन प्राप्त करने के लिए महत्वपूर्ण है।

हानि कार्यों के प्रकार

विभिन्न कार्यों को विभिन्न हानि कार्यों की आवश्यकता होती है।

  • Mean Squared त्रुटि (MSE): का उपयोग प्रतिगमन समस्याओं के लिए किया जाता है, यह भविष्यवाणी की गई और वास्तविक मूल्यों के बीच औसत वर्गीय अंतर की गणना करता है।
  • Cross-Entropy हानि: वर्गीकरण कार्यों के लिए प्रयुक्त, यह दो संभावना वितरण के बीच अंतर को मापता है।
  • Hinge loss: आम तौर पर वर्गीकरण के लिए सहायक वेक्टर मशीनों में इस्तेमाल किया।

सही हानि समारोह का चयन

विकल्प समस्या प्रकार और डेटा विशेषताओं पर निर्भर करता है। प्रतिगमन कार्यों के लिए, MSE या मीन निरपेक्ष त्रुटि (MAE) विशिष्ट विकल्प हैं। वर्गीकरण के लिए, क्रॉस-एंट्रोपी हानि को प्राथमिकता दी जाती है। नुकसान समारोह का चयन करते समय मॉडल के आउटपुट और डेटा की प्रकृति पर विचार करें।

हानि की गणना

नुकसान की गणना में मॉडल की भविष्यवाणियों और वास्तविक लेबलों के लिए चुने गए कार्य को लागू करना शामिल है। अधिकांश मशीन लर्निंग फ्रेमवर्क नुकसान को कुशलतापूर्वक पूरा करने के लिए अंतर्निहित कार्य प्रदान करते हैं। प्रशिक्षण के दौरान, ऑप्टिमाइज़र इस नुकसान को कम करने के लिए मॉडल पैरामीटर को समायोजित करता है।