راهنمای جامع عملکردهای از دست دادن 🔥: ستون فقرات یادگیری ماشینی


نویسنده(های): اسد اقبال

در ابتدا منتشر شد به سمت هوش مصنوعی.

راهنمای دقیق ما به شما کمک می کند تا اهمیت توابع از دست دادن را درک کنید یادگیری ماشینی. این به شما کمک می کند بین توابع ضرر و هزینه، انواع مختلف، مانند MSE و MAE، و نحوه استفاده از آنها در یادگیری ماشینی وظایف

این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.

تصور کنید شما یک دانشمند داده هستید که یک مدل یادگیری ماشینی را برای پیش بینی قیمت خانه آموزش می دهد. شما داده ها را جمع آوری کرده اید، یک مدل انتخاب کرده اید و آموزش را شروع کرده اید. اما چگونه موفقیت آن را اندازه گیری می کنید؟ آیا پیش بینی های آن درست است یا خیر؟ راه حل در توابع از دست دادن است، یکی از اجزای مهم یادگیری ماشینی که به مدل ها کمک می کند از اشتباهات خود بیاموزند.

این مقاله توضیح می دهد که آنها چیستند، چگونه کار می کنند و مزایا و چالش های آنها.

عضو نیستید؟ رایگان بخوانید!

تصویر توسط نویسنده

1. عملکرد فعال سازی Softmax

2. Sigmoid / عملکرد فعال سازی لجستیک

3. تابع فعال سازی مماس هایپربولیک (Tanh).

4. تابع فعال سازی واحد خطی اصلاح شده (ReLU).

5. عملکرد فعال سازی ReLU نشتی

یک تابع از دست دادن، همچنین به عنوان شناخته شده است تابع هزینه یا تابع خطا، اندازه گیری می کند که چگونه یک مدل یادگیری ماشینی نتیجه مورد انتظار را پیش بینی می کند. تفاوت بین مقادیر پیش بینی شده و واقعی در a را کمی می کند مجموعه داده. اساساً، یک تابع ضرر یک عدد واقعی را برای خلاصه کردن عناصر خوب و بد یک پیش‌بینی اختصاص می‌دهد.

هدف اصلی یک تابع ضرر، به حداقل رساندن خطا بین پیش‌بینی‌ها و واقعیات است و به مدل اجازه می‌دهد عملکرد خود را در طول زمان بهبود بخشد.

توابع ضرر با مقایسه مقدار پیش بینی شده (خروجی مدل) با مقدار واقعی (زمین… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی



منبع: https://towardsai.net/p/machine-learning/a-comprehensive-guide-to-loss-functions-the-backbone-of-machine-learning