SıradakiSonraki rehber
Üçlü Kayıp ve Metrik Öğrenme
Temeller
Temel Bilgiler KILAVUZU
Kayıp Fonksiyonları
A loss defines the objective used to assess predictions or another training target.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~3 min
Bu sayfada3 dakika okuma
Genel Bakış
Individual loss values are often combined into a scalar for optimization, and the chosen objective is a proxy that may differ from the application's evaluation metric.
Derin Dalış
A prediction loss compares outputs with training targets according to a specified rule. Those targets can be labels or values constructed for the learning task; they should not automatically be called unquestionable truth. Implementations may produce per-example losses and then sum or average them for an optimization step. Choosing the rule matters. Mean squared error averages squared residuals, giving large residuals more influence than mean absolute error, which averages their absolute values. For residuals one and three, mean squared error is five, while mean absolute error is two. These are illustrative calculations rather than performance results from a dataset. Classification commonly uses cross-entropy. With a one-hot target and a predicted probability p for its class, the loss is minus log p. A lower probability for the target class gives a larger loss, so confident wrong predictions can incur high loss. The logarithm base determines the units: base-two loss is in bits, while a natural logarithm gives nats. For a target probability of one-quarter, minus log-base-two p is two bits. Gradient-based optimization needs usable derivative information, but differentiability requirements should not be generalized to every learning algorithm. Some losses have nondifferentiable points handled by an appropriate subgradient or surrogate. Accuracy is a discrete evaluation metric and is generally not directly useful as a gradient-training objective. A suitable training loss supplies an optimization signal; final task quality needs evaluation using the relevant metrics.
Gerçek Dünya Uygulaması
Kendinden emin yanlış sınıflandırmaları cezalandıran bir e-posta spam sınıflandırıcısını eğitmek için çapraz entropi kaybını kullanma
Ev fiyatı tahmini için ortalama mutlak hatayı seçmek, böylece birkaç aşırı malikanenin eğitime hakim olmaması
Yüz tanıma modelinin aynı kişinin görüntülerini bir araya getirmesi için karşılaştırmalı kayıp uygulama
Bir sohbet robotunu daha yararlı ve dürüst yanıtlara yönlendirmek için ödül modeli kaybı tasarlama
Kayıp Fonksiyonlarının Geleceği
Objective design can combine prediction terms, regularization, and other task requirements. Comparisons should state the target definition, formula, reduction, units, and evaluation metric. An objective can decrease while an application metric remains unchanged or worsens, so improvement should be measured rather than inferred from training loss alone. Custom losses need examination of the behavior they encourage as well as their numerical and optimization properties.
Uygulamaya koymak
Neden önemli?
- Daha net kararlar. Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
- Maliyet ve bütçe. Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
- Ekip ve iş akışı. Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Dikkat edin
- Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
- Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
- Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Sonraki adımlar
- İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
- Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
- Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
- Kayıp Fonksiyonlarının nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Loss Functions quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
What is Loss Functions?
A loss defines the objective used to assess predictions or another training target. Individual loss values are often combined into a scalar for optimization, and the chosen objective is a proxy that may differ from the application's evaluation metric.
For a prediction task, what does its selected loss quantify against the training target?
A loss defines a training objective; it does not automatically measure every aspect of application quality.
Sınıflandırma görevlerinde en yaygın olarak hangi kayıp fonksiyonu kullanılır?
Çapraz entropi, tahmin edilen olasılık dağılımlarını gerçek etiketlerle karşılaştırır ve sınıflandırma için standart seçimdir.
Ortalama kare hatayla karşılaştırıldığında neden ortalama mutlak hatayı seçmelisiniz?
Ortalama mutlak hata, tüm hataların karesini almak yerine orantılı olarak ele alır, bu nedenle birkaç aşırı aykırı değerin etkisi daha az olur.
Why does gradient-based training need a usable loss derivative or suitable substitute?
This concerns gradient-based training, not a claim that every possible learning algorithm requires a differentiable loss.
How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
The term minus log p grows as the target-class probability shrinks. This does not guarantee a particular gradient magnitude for every model weight.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi