کمیات متحرک نیٹ ورکز کو تربیت دینے کے لیے ضروری ہیں. ان کا اندازہ ہے کہ ماڈل کی پیشگوئیاں حقیقی اعداد سے کیسے مطابقت رکھتی ہیں. مناسب نقصان کا انتخاب کرنا مشین سیکھنے کے عمل میں ترجیحاتی عمل کو حاصل کرنے کے لئے ضروری ہے.

نقصاندہ نقصان‌دہ چیزوں کی اقسام

مختلف کام مختلف نقصان دہ کاموں کا تقاضا کرتے ہیں۔ عام قسم کے لوگ:

  • Meyan Squared غلطی (MSE): مسائل کے لیے استعمال ہونے والا استعمال، یہ پیشینگوئی اور حقیقی اقدار کے درمیان اوسط مربع فرق کا حساب دیتا ہے۔
  • Cross-Entropy کھوسہ: کلاسیشن کے کاموں کے لیے استعمال کیا جاتا ہے، یہ دو امکانی تقسیموں کے درمیان فرق کا اندازہ لگاتا ہے۔
  • Hinge کھوسہ: عام طور پر کلاسیشن کے لیے Victor مشینوں میں استعمال کیا جاتا ہے۔

حق کھو دینے کا حق کھو دینا

انتخاب کا انحصار مسائل ٹائپ اور ڈیٹا خصوصیات پر ہے.

کُل‌وقتی خدمت

کمیت کو ختم کرنے میں ماڈل کی پیش گوئیوں اور حقیقی لیبلوں پر منتخب عمل شامل ہے۔اور زیادہ تر مشین سیکھنے کے فریم ورکز کو مؤثر طور پر نقصان پہنچانے کے لئے بنائی گئی سرگرمیاں فراہم کرتے ہیں۔