Fungsi kehilangan kalsinalis sangat penting dalam belajar diawasi saat mengukur perbedaan antara output yang diprediksi dan label yang sebenarnya. mereka memandu proses pelatihan dengan menyediakan metrik untuk dioptimalkan. Fungsi kehilangan yang berbeda digunakan tergantung pada jenis masalah dan karakteristik data.

Kesalahan Periuk Min (MSE)

Kesalahan Mean Squared biasanya digunakan untuk tugas regresi. Ini menghitung rata-rata kuadrat perbedaan antara nilai yang diprediksi dan sebenarnya. rumusannya adalah:

[[GALALT:0]]MSE = (1/n) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Ó Ói adalah nilai benar, ⁇ ii[i[] adalah nilai yang diprediksi, dan n adalah jumlah sampel. MSE menalisasi kesalahan yang lebih besar lebih berat, mendorong model untuk meminimalkan penyimpangan signifikan.

Hilang Entropi-Silang

Hilangnya klasifikasi klasifikasi terutama digunakan untuk tugas-tugas klasifikasi. Ini mengukur ketidaksamaan antara distribusi probabilitas yang diprediksi dan distribusi yang sebenarnya. untuk klasifikasi biner, rumusannya adalah:

[[Cross-Entropi = - [ y log( ⁇ ) + (1 - y) log(1 - ⁇ ) ]

⁇ di mana y adalah label sejati (0 atau 1), dan ⁇ adalah kemungkinan yang diprediksi dari kelas positif. fungsi kehilangan ini menalisasi prediksi yang tidak benar lebih banyak ketika model yakin tapi salah.

Perbandingan dan Penggunaan

UDO MSE cocok untuk variabel output yang terus menerus, sementara cross-entropy sangat cocok untuk data kategori. Memilih fungsi kehilangan yang sesuai tergantung pada tipe masalah dan sifat keluaran.

  • Masalah regresi akibat gugur
  • Masalah klasifikasi
  • Pertimbangan konvergensi model
  • Tanganan Orang Asing