جب وہ بیان‌کردہ برآمدات اور حقیقی لیبلوں کے درمیان فرق کا اندازہ کرتے ہیں تو وہ میٹرک کو ایک دوسرے کو متوازن بنانے کے عمل کی ہدایت کرتے ہیں ۔

مصدر مصدر غلطی (MSE)

بنیادی طور پر بنیادی طور پر غلطی کو servation کے کاموں کے لیے استعمال کیا جاتا ہے. یہ پیشینگوئی اور اصل اقدار کے درمیان فرق کے مربعوں کی اوسط شمار کرتا ہے. فارمولا یہ ہے:

]MSE = qin] (y [1]] - - [i][2][2]]۔

جہاں Y]]][FLT [1] حقیقی قدر، ]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] کی ایک سائنسی قیمت ہے، اور N کی بڑی غلطیوں کی تعداد ہے، اس میں زیادہ بھاری غلطیوں کی حوصلہ افزائی کرتا ہے۔

کراس-انتوپ گر

کراس-enterory کھو جاتا ہے بنیادی طور پر کلاسکی عمل کے لیے استعمال ہوتا ہے. یہ مستقبل کے امکان تقسیم اور حقیقی تقسیم کے درمیان فرق کا اندازہ کرتا ہے. بینری کلاس کی شناخت کے لیے فارمولا:

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

جہاں Y واقعی لیبل ہے (0 یا 1) اور مثبت کلاس کے مستقبل کی پیشینگوئی ہے. یہ نقصان ناقابل یقین طور پر ٹھوس پیش گوئی کرتا ہے جب ماڈل اعتماد ہے لیکن غلط ہے.

دوسروں کو ذمہ‌داری سونپیں اور اُن کی ذمہ‌داری

ایم ایس ای مسلسل برآمدات کے لیے موزوں ہے، جبکہ کراس-نٹروکسی ڈیٹا کے لیے آئی ڈی ہے. مناسب نقصان کا عمل دخل مسئلہ نوعیت اور برآمد کی نوعیت پر ہوتا ہے۔

  • تقسیم کے مسائل
  • کلاس بندی مسائل
  • نمونے کے متعلق غوروخوض
  • باہر نکلنے والے ہاتھ