Süpervised learning, etiketli verileri kullanarak eğitim modellerini içeren bir makine öğrenimi alanıdır. Matematik temelleri, kayıp fonksiyonları ve onların yüksek lisanslarını kullanarak etkili algoritmaları tasarlamaya yardımcı olur.

Süpervised Learningde Kayıp Fonksiyonlları

Kayıp işlevleri, bir modelin tahmin edilen çıktıları ve gerçek etiketler arasındaki farkını ölçmektir. Modelin modelin nasıl iyi performans gösterdiğini gösteren ölçek değeri sağlayarak eğitim modelleri için gereklidir.

Ortak kayıp işlevleri, regresyon görevleri ve Cross-Entropy sınıflandırma görevleri için kayıp işlemlerinin seçimi öğrenme sürecini ve yakınlık davranışını etkiler.

Kayıp Fonksiyonların Zenginleri

Gradients, kayıp fonksiyonunun model parametrelerine saygıyla türevleridir. Eğitim sırasında kaybı en aza indirmek için gerekli olan ayarlamaların yönünü ve boyutunu göstermektedir.

Örneğin, MSE'nin bir tahmine saygı duyan (hat{y}) (2(hat{y} - y)), gerçek etiket budur. Bu tür, gradient iniş algoritmalarındaki güncelleştirme kuralına kılavuzdur.

Gradients kullanarak optimizasyon

Gradient iniş algoritmaları, gradient'e karşı yönde hareket ederek güncel model parametrelerini güncelletir. Bu işlem, zaman içinde modelleme fonksiyonunu en aza indirir.

  • Mevcut tahminler için kaybı hesaplayın.
  • Para kaybının yüksekliğini parametrelere saygıyla tamamlayın.
  • Bir ölçeklenmiş bir gradient çıkartarak Güncelleme parametreleri.
  • Yakınlık veya durdurma kriterleri karşılanana kadar tekrar tekrar.