🔴 10 تا از پرکاربردترین‌ها توابع زیان در ML


👨🏻‍💻 وقتی می‌خوای مدلت رو آموزش بدی، انتخاب درست تابع زیان از نون شب هم واجب‌تره!

✅ بسته به اینکه مدل رگرسیون باشه یا طبقه‌بندی، باید بدونی کدوم تابع برات بهتر جواب می‌ده.


📂 مدل رگرسیون


🔢 خطای بایاس میانگین

⬅️ میانگین خطای مدل رو نشون می‌ده اما خیلی استفاده نمی‌شه چون خطای مثبت و منفی همدیگه رو خنثی می‌کنن.


🔢 میانگین قدرمطلق خطا

⬅️ میانگین اختلاف مطلق بین پیش‌بینی و مقدار واقعی. برای مدل‌هایی خوبه که می‌خوای همه خطاها رو یکسان ببینی.


🔢 میانگین مربعات خطا

⬅️ خطاهای بزرگ‌تر رو شدیدتر جریمه می‌کنه؛ واسه مدل‌هایی که Outlier داری یکم حساسه.


🔢 ریشه میانگین مربعات خطا

⬅️ مثل MSEئه، ولی تهش رادیکال می‌گیری، واحدش می‌شه مثل مقدار واقعی y.


🔢 تابع هابر

⬅️ ترکیبی از MAE و MSEئه. برای خطاهای کوچیک MSE، برای خطاهای بزرگ MAE. ولی یه پارامتر اضافه داره (دلتا).


🔢 تابع زیان لاگ-کاش

⬅️ جایگزین بدون پارامتر برای هابر. گرچه یه کم سنگین‌تره محاسباتش.

➖➖➖➖➖➖➖➖➖

📂 مدل طبقه‌بندی


1⃣ زیان متقاطع دودویی

⬅️ برای مدل‌های دوتایی. تفاوت بین برچسب واقعی و احتمال پیش‌بینی‌شده رو با لگاریتم حساب می‌کنه.


🔢 تابع زیان هینج

⬅️ مخصوص SVMهاست. حتی اگه پیش‌بینی درست باشه ولی با اطمینان پایین، باز هم جریمه می‌شه.


🔢 زیان متقاطع چندکلاسه

⬅️ نسخه‌ی چندکلاسه‌ی BCE. مرسوم‌ترین تابع برای طبقه‌بندی.


🔢 واگرایی کولبک-لایبلر

⬅️ وقتی می‌خوای یه توزیع رو با یه توزیع دیگه تقریب بزنی. تو کلاسه‌بندی معمولی، همون کراس‌انتروپیه، ولی تو مدل‌های فشرده‌سازی یا t-SNE کاربرد داره.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa