การคํานวณของการสูญเสียในการเรียนรู้ที่ครอบคลุม: จากนางสาวไปครอสเอนโทรปี

การสูญเสียการทํางาน จําเป็นในการควบคุมการเรียนรู้ เมื่อมันวัดความแตกต่างระหว่างผลที่คาดการณ์ไว้ และข้อมูลต่างๆ ที่ปรากฏในภาพ

ค่าเฉลี่ยกําลังสองผิดพลาด (MSE)

ค่าเฉลี่ยของข้อผิดพลาดมักใช้กับงานถดถอย โดยคํานวณค่าเฉลี่ยของความแตกต่างกันระหว่างค่าที่คาดการณ์ไว้ และค่าจริง ค่าสูตรคือ:

[FLT: 0]. สืบค้นเมื่อ 17 พฤษภาคม 2555. [FLT: 0]. สืบค้นเมื่อ 20 พฤษภาคม พ.ศ.

โดย y_]] เป็นค่าจริง ⁇ _i เป็นค่าตามที่คาดการณ์ไว้ และ n คือจํานวนตัวอย่าง. pregations มีข้อผิดพลาดที่มีขนาดใหญ่ขึ้น, สนับสนุนโมเดลให้ลดส่วนเบี่ยงเบนมาตรฐานลง.

ครอส- อองโทรปี ลอสส์

การสูญเสียข้ามสายพันธ์ส่วนใหญ่จะใช้ในการจําแนกประเภทงาน ซึ่งจะวัดความไม่เสมอภาคระหว่างการกระจายตัวของความน่าจะเป็นตามที่คาดการณ์ไว้ และการกระจายจริง สําหรับการจัดหมวดหมู่ไบนารี สูตรก็คือ:

[FLT: 0] Cros-Entropy = - [Ylog( ⁇ + (1– y) LOlog (1– ⁇ ]]]]

โดย y เป็นเลขจริง (0 หรือ 1) และ ⁇ เป็นความน่าจะเป็นของเลขบวก

การ เปรียบ เทียบ และ วิธี ใช้

MSE เหมาะกับตัวแปรผลลัพธ์อย่างต่อเนื่อง ในขณะที่การข้าม- Entropy นั้นเหมาะสมกับข้อมูล calcial การเลือกฟังก์ชันการสูญเสียที่เหมาะสมนั้นขึ้นอยู่กับชนิดปัญหา และธรรมชาติของการส่งออก

• ปัญหา ด้าน ความ ยืดหยุ่น
• ปัญหาการจําแนกประเภท
• การพิจารณาแบบ Regular
• การ ช่วย ผู้ อื่น