इस अध्ययन में हानि कार्यों की आवश्यकता होती है क्योंकि वे पूर्वानुमानित आउटपुट और वास्तविक लेबल के बीच अंतर को मापते हैं। वे अनुकूलन के लिए मीट्रिक प्रदान करके प्रशिक्षण प्रक्रिया का मार्गदर्शन करते हैं। समस्या और डेटा विशेषताओं के प्रकार के आधार पर विभिन्न हानि कार्यों का उपयोग किया जाता है।

मीन स्क्वायर त्रुटि (MSE)

मीन स्क्वायर त्रुटि आमतौर पर प्रतिगमन कार्यों के लिए प्रयोग की जाती है। यह भविष्यवाणी और वास्तविक मूल्यों के बीच मतभेदों के वर्गों के औसत की गणना करता है। सूत्र है:

MSE = (1/n) Σ (y i] - i]]]2 ]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] ]]]]]]]]]]]]] ]]]]]]]]]]

जहां y]i सही मूल्य है, 中文(FLT:2]i) भविष्यवाणी मान है, और n नमूनों की संख्या है। MSE ने बड़े त्रुटियों को अधिक भारी दंडित किया है, जो मॉडल को महत्वपूर्ण विचलन को कम करने के लिए प्रोत्साहित करता है।

क्रॉस-एनट्रोपी हानि

क्रॉस-एंट्रोपी हानि मुख्य रूप से वर्गीकरण कार्यों के लिए प्रयोग किया जाता है। यह भविष्यवाणी की गई संभावना वितरण और वास्तविक वितरण के बीच असमानता को मापता है। द्विआधारी वर्गीकरण के लिए, सूत्र है:

Cross-Entropy = - [y log] + (1 - y)] log(1 - y)]

जहां Y सही लेबल (0 या 1) है, और Difficult is भविष्यवाणी की गई है सकारात्मक वर्ग की संभावना। यह नुकसान समारोह गलत भविष्यवाणियों को अधिक भारी दंडित करता है जब मॉडल आश्वस्त लेकिन गलत होता है।

तुलना और उपयोग

MSE निरंतर आउटपुट चर के लिए उपयुक्त है, जबकि क्रॉस-एंट्रोपी श्रेणीबद्ध डेटा के लिए आदर्श है। उचित हानि समारोह का चयन समस्या प्रकार और उत्पादन की प्रकृति पर निर्भर करता है।

  • प्रतिगमन की समस्या
  • वर्गीकरण की समस्या
  • मॉडल अभिसरण विचार
  • बाहरी लोगों का प्रबंधन