Các chức năng mất tích là thiết yếu trong giám sát việc học khi chúng đo lường sự khác biệt giữa các kết xuất dự đoán và nhãn thật. Chúng hướng dẫn tiến trình đào tạo bằng cách cung cấp một mét để tối ưu hóa. Các chức năng mất khác nhau được sử dụng tùy thuộc vào loại vấn đề và đặc điểm dữ liệu.

Lỗi bình phương

Lỗi định dạng trung bình được dùng cho các tác vụ hồi quy. Tính trung bình của các ô vuông khác nhau giữa các giá trị dự đoán và thực tế.

[SIS = (1/n)] ) ) - ) )]]] ]]] ) )

Nơi y i ) là giá trị thật, i [FLT:] [FLT:] là giá trị đã dự đoán, và n là số mẫu. MmeE penalize lỗi lớn hơn, khuyến khích mô hình giảm thiểu độ lệch đáng kể.

Mất dây thần kinh

Mất nhiều dây thường được dùng chủ yếu cho các nhiệm vụ phân loại, đo lường sự khác biệt giữa sự phân phối xác suất và sự phân phối thực.

Cross-Entopy = - [ y log (G) + (1 y) log(1 - )] ]

hàm mất này sẽ bị phạt sai khi mô hình tự tin nhưng sai.

So sánh và sử dụng

Mure là thích hợp cho các biến số kết xuất liên tục, trong khi đối chiếu là lý tưởng cho dữ liệu phân loại. Chọn chức năng mất phù hợp phụ thuộc vào kiểu vấn đề và bản chất của kết xuất.

  • Vấn đề hồi quy
  • Lỗi phân loại
  • Xem xét sự hội họp Mô hình
  • ♪ Xử lý những kẻ kém cỏi hơn ♪