Mahalaga ang mga papel na ginagampanan ng kawalan sa pagsasanay ng mga masusing modelo sa pagkatuto.Tantiya nila kung gaano kagaling na tumutugma ang mga prediksiyon ng isang modelo sa aktuwal na datos.

Ano ba ang Isang Kawalan ng Kasiyahan?

Ang isang kawalan ng tungkulin ay nagreresulta sa pagkakaiba sa pagitan ng hinulaang output ng isang modelo at ng tunay na output.Ito ay nagbibigay ng isang solong halaga na nagpapakita ng pagkakamali ng modelo. sa panahon ng pagsasanay, ang tunguhin ay bawasan ang pagkakamaling ito upang mapabuti ang katumpakan.

Karaniwang mga Uri ng Kawalan ng mga Katuwahan

  • Mean Squared Error (MSE): Ginagamit para sa mga gawaing regresyon, kinakalkula nito ang katamtamang kuwadradong pagkakaiba sa pagitan ng hinulaan at aktuwal na mga halaga.
  • Cross-Entropy Loss: Karaniwan sa mga klasipikasyong gawain, sinusukat nito ang pagkakaiba ng dalawang distribusyon ng probabilidad.
  • [Hange Loss: Ginagamit para sa pagsasanay ng mga classifier tulad ng mga makinang pangsuportang vector.

Pagkalkula sa Pagkawala-sa-likod na Hakbang

Ang proseso ng pagkalkula sa kawalan ay nagsasangkot ng ilang hakbang:

Hakbang 1: Gumawa ng mga Hula

Ang mga impormasyong input ay ipinapasok sa modelo upang lumikha ng mga prediksiyon. Ang mga prediksiyong ito ay inihahambing sa aktuwal na mga label o mga pagpapahalaga.

Hakbang 2: Isunod ang Pagkakamali

Halimbawa, sa MSE, ang pagkakaiba sa pagitan ng mga hula at ng tunay na mga pamantayan ay kinakalkula gamit ang napiling pagkawala.

Hakbang 3: Gawing Optimistiko ang Huwaran

Ang mga gradient descent algorithms ay nag-aangkop ng mga parameter ng modelo upang mabawasan ang pagkawala. Ang prosesong ito na inemerasyon ay nagpapatuloy hanggang sa ang pagkawala ay umabot sa isang katanggap tanggap na antas.