Математика; Функция потерь

✨Аппроксимация и Функция потерь

🔍Аппроксимация: Когда идеал недостижим
➖Что это?
Представьте, что вы пытаетесь нарисовать идеальную линию тренда через разбросанные точки на графике (например, рост vs. вес людей). Но точки редко ложатся на одну прямую.
Аппроксимация - это поиск максимально близкой к точкам линии (кривой, формулы), даже если она не проходит через все точки идеально.
➖Зачем?
Чтобы предсказывать! Например:
➖Угадать цену квартиры по её площади (y ≈ k*x + b)
➖Спрогнозировать температуру завтра на основе прошлых данных
➖Пример:
У вас есть точки: (1, 2), (2, 2.5), (3, 3.5)
Аппроксимируем их прямой y = 0.75x + 1.25.
Она не идеальна (ошибки есть!), но лучше всего описывает тренд. ✅

📉Функция потерь: Измеряем наши косяки
➖Что это?
Если аппроксимация - это наш "предсказатель", то функция потерь (Loss Function) - это штраф за ошибки предсказания. Чем больше ошибка, тем больше "штраф".
➖Зачем?
Чтобы оценить качество аппроксимации и найти лучшую модель!

➖Примеры функций потерь:
➖MSE (Среднеквадратичная ошибка):
Loss = (Σ(предсказание - реальное значение)²) / n*
Почему квадрат? Большие ошибки наказываются жестче!
Пример: Если предсказали 5, а реально 3 → ошибка = (5-3)² = 4.

➖MAE (Средняя абсолютная ошибка):
Loss = Σ|предсказание - реальное| / n*
Проще: Среднее арифметическое всех "промахов".
Пример: Ошибка 2 единицы → штраф = 2.

*n - это количества точек на графике.

💡Почему это важно вместе?
1️⃣Выбираем модель (линия, парабола, экспонента?) → Аппроксимируем данные.
2️⃣Считаем функцию потерь → Оцениваем, насколько модель ошибается.
3️⃣Меняем параметры модели (например, наклон прямой) → Минимизируем потери!
→ Получаем лучшую аппроксимацию!

‼️Если коротко
🔴Аппроксимация — искусство "приближения" к истине.
🔴Функция потерь — компас, который говорит, куда идти, чтобы ошибаться меньше.