Kayıp işlevleri tahmin edilen çıktılar ve gerçek etiketler arasındaki farkı ölçtüğü gibi denetimli olarak önemlidir. optimize etmek için eğitim sürecini kılavuzlar. Farklı kayıp işlevleri problem ve veri özellikleri türüne bağlı olarak kullanılmaktadır.

Yani Squared Hata (MSE)

Ortalama Squared Hatası, regresyon görevleri için yaygın olarak kullanılır. Tahmin edilen ve gerçek değerler arasındaki farklılıkların ortalamalarını hesaplar.

[FONT=0) ⁇ (y[DÜT:2)[DÜye: 3)[DÜye: 4)[Üye Olmayanlar[Üyeler)

Nerede y)i gerçek değerdir, ⁇ )) tahmin edilen değerdir ve n, daha büyük hataların sayısı daha ağırdır, modeli önemli sapmaları en aza indirmek için teşvik eder.

Cross-Entropy Kayıp

Cross-entropy kaybı öncelikle sınıflandırma görevleri için kullanılır. Bu, tahmin edilen olasılık dağılımı ve gerçek dağıtım arasındaki eşitsizlikleri ölçer. ikili sınıflandırma için, formül:

[Düzg:0)Cross-Entropy = - [ y log( ⁇ ) + (1 - y) log (1 - ⁇ ) ).

Je, gerçek etiket (0 veya 1) nerede ve ⁇ olumlu sınıfın tahmin edilebilir olasılığıdır. Bu kayıp işlev, modelin emin olduğu zaman daha ağır tahminleri yanlış tahminler yapar.

Karşılaştırma ve Kullanım

MSE sürekli çıkış değişkenleri için uygundur, çapraz-entropy kedisel veriler için idealdir. Uygun kaybı fonksiyonunu seçmek problem türüne ve çıktının doğasına bağlıdır.

  • Regresyon problemleri
  • Sınıflama problemleri
  • Model yakınlık değerlendirmeleri
  • Outliers