Matematika Mga Pundasyon ng Nahigitang Pagkatuto: Pag - aalis ng mga Kasiyahan at mga Kahusayan

Ang supervised learning ay isang core area ng pag-aaral ng makina na kinasasangkutan ng pagsasanay ng mga modelo gamit ang mga naka-sign na datos. Ang pag-unawa sa mga pundasyong matematikal ay tumutulong sa pagdidisenyo ng epektibong mga algorithm sa pamamagitan ng pagkuha ng mga tungkuling pagkawala at ang kanilang mga spesipikong mga ekwasyong pang-ebolusyon, na siyang gumagabay sa proseso ng optimisasyon.

Kawalan ng mga Kawili - wiling Gawa sa Nahigitang Pagkatuto

Ang pagkawala ng mga tungkulin ay sumusukat sa pagkakaiba ng mga hinulaang output ng isang modelo at ng aktuwal na mga etiketa.[kailangan ng sanggunian] Ang mga ito ay mahalaga para sa pagsasanay ng mga modelo sa pamamagitan ng pagbibigay ng isang scalar na halaga na nagpapakita kung gaano kahusay ang pagsasagawa ng modelo.

Kabilang sa mga karaniwang tungkulin ng pagkawala ang Mean Squared Error (MSE) para sa mga gawaing regresyon at Cross-Entropiyang Loss para sa mga gawaing klasipikasyon. Ang pagpili ng pagkawala ng tungkulin ay nakaiimpluwensiya sa proseso ng pagkatuto at sa pag-uugaling patribuhan.

Mga Nagtapos sa Pag - aalis ng mga Kasiyahan

Ang mga admitente ay mga hinangong entidad ng kawalan na may kaugnayan sa mga model parameter. kanilang ipinapakita ang direksiyon at magnitude ng mga pagbabagong kailangan upang mabawasan ang pagkawala sa panahon ng pagsasanay.

Halimbawa, ang grooter ng MSE na may kaugnayan sa isang prediksiyon (hatichietyi) ay (2(hati ⁇ i ⁇ - y)), kung saan (y) ang tunay na label. Ang hinangong ito ang mga gabay na update rule sa mga algorithms na may defluency.

Optimisasyon Ginagamit ang mga Nagtapos

Ang gradient descent algorithms inemeratively updately model parameters sa pamamagitan ng paglipat sa direksiyon taliwas sa fraction. Ang prosesong ito ay nagpapababa sa tungkulin ng pagkawala, na pinabubuti ang model eksaktuhan sa paglipas ng panahon.