В машинном обучении мы используем функции потерь, чтобы решить, насколько хорошо предсказывать нашу модель. Функция потерь, которую мы должны выбрать, зависит от выбора алгоритма, эффективности времени для градиентного спуска, стоимости производных, достоверности прогнозов и т. Д. Обычно мы используем функции потерь для оптимизации. Для этого мы стараемся минимизировать функцию потерь. Есть несколько функций потерь, которые мы обычно предпочитаем использовать ниже.
Среднеквадратичная ошибка (MSE):
MSE - наиболее часто используемая функция потерь для задач регрессии. Другие названия MSE - Quadratic Loss и L2 Loss.
Чтобы вычислить MSE, мы находим сумму квадратов расстояний между целевым и прогнозируемым выходными данными по размеру выходных данных.
Средняя абсолютная ошибка (MAE):
Это еще одна функция потерь для задач регрессии.
Чтобы вычислить MAE, мы вычисляем среднее значение всех абсолютных ошибок.
Потеря перекрестной энтропии:
Это наиболее часто используемая функция потерь для задач классификации. Это не работает с проблемами регрессии.
Вышеупомянутая функция показывает, насколько плохо у нас сейчас дела. В дополнение к этим,
Мы можем прокомментировать, что, когда убыток увеличивается, мы прогнозируем хуже.
Евклидово расстояние:
Эта функция потерь обычно используется для задач регрессии, а не для задач классификации. Он измеряет расстояние между двумя разными точками.
Код евклидова расстояния ниже:
Это реализация евклидова расстояния. Но вместо этого мы можем использовать библиотеку, чтобы сделать операцию кратко:
