مشین سیکھنے کے ماڈلز میں کمی اہم اجزاء ہیں. وہ اندازہ کرتے ہیں کہ ایک ماڈل کی پیش کردہ پیش گوئیاں حقیقی اعداد و شمار سے کیسے مطابقت رکھتی ہیں. کھونے کا انتخاب تربیتی عمل اور آخری ماڈل پرفارمنس پر اثر انداز ہوتا ہے۔

مایوسی کی سمجھ

گري جا نے کي غلطی کو دوباره شروع کر تا هے که متعلقه برآمدات اور سچے اقدار کے درميان غلطی کي جا تا هے ۔ کي تر برعکس مڈل کی درستي بہتر کرنے کے ليے اس غلطی کو کم کرنے کي مقصود هے مختلف اقسام کے نقصان کے عملے مسئلے نوعیت کے پر منحصر ہوتے ہيں۔

نقصاندہ چیزوں کی عام اقسام

  • Meyan Squared غلطی (ME): بنیادی طور پر استعمال ہونے والے کام کے لیے استعمال کیا جاتا ہے، یہ پیشینگوئی اور حقیقی اقدار کے درمیان اوسط مربع فرق کا حساب دیتا ہے۔
  • Cross-Entropy کھوسہ: کلاسیشن کے مسائل میں عام لوگ، یہ دو امکان تقسیم کے فرق کا اندازہ لگاتا ہے۔
  • Hinge کھوسہ:] Victor مشینوں کی مدد سے استعمال کیا جاتا ہے، یہ کلاسوں کے درمیان موجود مارجن کو تیز کرنے میں مدد دیتا ہے۔

عملی مثالیں

تصویری طور پر، کراس-ٹرپی نقصان کو اکثر کلاس بندی درست کرنے کے لیے استعمال کیا جاتا ہے. گھر کی قیمتوں کی پیشینگوئی کرنے جیسے ان کاموں کے لیے MISE کو متوقع غلطی کو حل کرنے میں مدد دیتا ہے. مناسب نقصان پہنچانے کا عمل مؤثر ماڈل ٹریننگ کے لیے لازمی ہے۔