Table of Contents

Pembelajaran supervisisi adalah bidang inti pembelajaran mesin yang melibatkan model pelatihan menggunakan data berlabel. Memahami dasar matematika membantu dalam merancang algoritme efektif dengan menderiving fungsi kehilangan dan gradiennya, yang memandu proses optimasi.

Fungsi Penghilangan Pustaka dalam Pembelajaran yang Dilampaui

Fungsi kehilangan fobia mengukur perbedaan antara hasil yang diprediksi dari model dan label yang sebenarnya.Mereka sangat penting untuk model pelatihan dengan menyediakan nilai skalar yang menunjukkan seberapa baik kinerja model.

Fungsi kehilangan kinode biasa termasuk Mean Squared Error (MSE) untuk tugas regresi dan Cross-Entropy Los untuk tugas klasifikasi . Pilihan fungsi kehilangan mempengaruhi proses pembelajaran dan perilaku konvergensi.

Memanenkan Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil Hasil

Gradien adalah turunan dari fungsi kehilangan sehubungan dengan parameter model. Ini menunjukkan arah dan besarnya penyesuaian yang diperlukan untuk meminimalkan kehilangan selama pelatihan.

Sebagai contoh, gradien MSE sehubungan dengan prediksi (hat{y}) adalah (2(hat{y} - y)), di mana (y) adalah label sejati. Turunan ini memandu aturan pembaruan dalam algoritme keturunan gradien.

Pengoptimasian Menggunakan Gradien

Algoritme turunan gradien itetatif memperbaharui parameter model dengan bergerak ke arah berlawanan dengan gradien. Proses ini meminimalkan fungsi kehilangan, meningkatkan ketepatan model dari waktu ke waktu.

  • Mengeluarkan kerugian untuk prediksi saat ini.
  • Mengkomparasikan gradien kerugian sehubungan dengan parameter.
  • Parameter pemutakhiran morfine dengan menipiskan gradien skala.
  • Pengulangan sampai konvergensi atau kriteria menghentikan dipenuhi.