บทบาท ของ การ สูญ เสีย

การสูญเสียการทํางานเป็นองค์ประกอบที่สําคัญในแบบจําลองการเรียนรู้ของเครื่อง พวกเขาวัดว่าการคาดการณ์ของแบบจําลองนั้น ตรงกับข้อมูลจริงหรือไม่ ตัวเลือกของการทํางานการสูญเสีย มีอิทธิพลต่อกระบวนการฝึกและประสิทธิภาพในแบบจําลองสุดท้าย

การ เข้าใจ ความ สูญ เสีย

ฟังก์ชันสูญเสียนั้นจะก่อให้เกิดข้อผิดพลาดระหว่างค่าผลลัพธ์ที่คาดการณ์ไว้ และค่าจริง ๆ ระหว่างการฝึก เป้าหมายคือ การลดข้อผิดพลาดนี้ เพื่อทําให้ค่าถูกต้องของรุ่นดีขึ้น ฟังก์ชันต่าง ๆ ของการสูญเสีย ถูกนําไปใช้กับชนิดปัญหา

ฟังก์ชันสูญเสียทั่วไป

• [FLT: 0]. MEAN squared error (MSE): ส่วนใหญ่ถูกใช้สําหรับงานถดถอย, มันคํานวณค่ากําลังสองเฉลี่ยระหว่างค่าคาดการณ์และค่าจริง.
• [FLT: 0] Cros-Entropy Los: ทั่วไปในโจทย์การจัดหมู่ (inishations) มันวัดความแตกต่างระหว่างการกระจายตัวความน่าจะเป็น 2 ครั้ง (FLT:1).
• [FLT: 0] Hingle Los: ใช้ในเครื่องช่วยสนับสนุนเวกเตอร์ มันช่วยเพิ่มขอบระหว่างชั้นเรียนได้สูงสุด

ตัว อย่าง ที่ ใช้ ได้ จริง

การ เลือก ทํา งาน ที่ เหมาะ สม เพื่อ ฝึก อบรม แบบ จําลอง อย่าง มี ประสิทธิภาพ