Supervised Learning은 라벨 데이터를 사용하여 교육 모델을 포함하는 기계 학습의 핵심 영역입니다. 수학 기반을 이해하는 것은 효과적인 알고리즘을 사용하여 deriving Loss 기능과 최적화 프로세스를 안내하는 그리스어를 설계하는 데 도움이됩니다.

Supervised Learning의 손실 기능

손실 기능은 모델과 실제 라벨의 예측 출력 사이의 공시를 측정합니다. 그들은 잘 모델이 수행하는 방법을 나타내는 사기 값으로 훈련 모델에 필수적입니다.

일반적인 손실 기능은 분류 작업을 위한 회귀 작업과 크로스-엔트로피 손실에 대한 평균 스퀘어드 오류 (MSE)를 포함합니다. 손실 기능의 선택은 학습 프로세스와 융합 행동에 영향을 미칩니다.

손실 기능의 중력

Gradients는 모델 매개 변수에 대한 손실 기능의 유래물입니다. 그들은 훈련 중에 손실을 최소화하기 위해 필요한 조정의 방향과 크기를 나타냅니다.

예를 들어, 예측 (hat{y})에 대한 MSE의 기온은 (y)가 진정한 라벨 인 (2 (hat{y} - y))입니다. 이 파생물은 기온 알고리즘의 업데이트 규칙을 안내합니다.

Gradients를 사용하여 최적화

Gradient descent 알고리즘은 점차적으로 점차적으로 점차적으로 방향에서 이동하여 모델 매개 변수를 업데이트합니다. 이 과정은 손실 기능을 최소화하고 모델 정확도를 향상시킵니다.

  • 현재 예측에 대한 손실 계산.
  • 매개 변수에 대한 손실의 기온을 계산합니다.
  • 스케일화된 gradient를 빼서 매개변수를 업데이트하십시오.
  • 융합 또는 중단 기준까지 반복은 만나는.