Ang mga tungkulin ng kawalan ay mahalaga sa pinangangasiwaang pagkatuto habang sinusukat nito ang pagkakaiba sa pagitan ng mga hinulaang output at aktuwal na mga label.Ang mga ito ay gumagabay sa proseso ng pagsasanay sa pamamagitan ng pagbibigay ng isang metriko upang maging optimikong maging mahusay. ang iba't ibang mga tungkulin ng pagkawala ay ginagamit depende sa uri ng problema at mga katangian ng datos.

Paraan ang Mali (MSE)

Ang Mean Squared Error ay karaniwang ginagamit para sa mga gawaing regresyon. kinakalkula nito ang katamtamang mga parisukat ng mga pagkakaiba sa pagitan ng hinulaan at mga aktuwal na halaga. Ang pormula ay:

MSE = (1/n) ⁇ ( ⁇ ] [ -i[[)2[[

kung saan ang ⁇ [ ang tunay na halaga, ⁇ [i ang hinulaang halaga, at n ang bilang ng sampol.Ang MSE ay mas mabigat na nagpapasasa ng mas malalaking pagkakamali, na humihimok sa modelo na bawasan ang mga mahahalagang paglihis.

Cross-Entropiyang Pagkawala

Ang cross-entropiya ay pangunahing ginagamit para sa mga gawaing klasipikasyon. Sinusukat nito ang pagkakaiba sa pagitan ng hinulaang distribusyon ng probabilidad at ng tunay na distribusyon. para sa binaryong klasipikasyon, ang pormula ay:

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

kung saan y ang tunay na label (0 o 1), at ⁇ ang hinulaang probabilidad ng positibong klase.Ang pagkawalang tungkuling ito ay nagpapaparusa sa mga maling prediksiyon nang mas mabigat kapag ang modelo ay may tiwala ngunit mali.

Paghahambing at Paggamit

Ang MSE ay angkop para sa patuloy na output variables, habang ang cross-entropiya ay angkop para sa categorical data. Ang pagpili ng angkop na tungkulin ng pagkawala ay nakasalalay sa problemang uri at sa kalikasan ng output.

  • Mga problema sa Regresyon
  • Mga problema sa pag - uuri
  • Mga Pagsasaayos ng Modelo
  • Pakikitungo sa mga Di - kapananampalataya