Fonctions de perte dans la formation Deep Learning Ppt

Diapositive 1

Cette diapositive répertorie les types de fonctions de perte en tant que composant de Deep Learning. Ceux-ci incluent l'erreur absolue moyenne, l'erreur quadratique moyenne, la perte de charnière et l'entropie croisée.

Diapositive 2

Cette diapositive indique que l'erreur absolue moyenne est une statistique permettant de calculer la différence absolue entre les valeurs attendues et réelles. Divisez le total de toutes les différences absolues par le nombre d'observations. Il ne pénalise pas les grandes valeurs aussi durement que l'erreur quadratique moyenne (MSE).

Diapositive 3

Cette diapositive décrit que la MSE est déterminée en additionnant les carrés de la différence entre les valeurs attendues et réelles et en divisant par le nombre d'observations. Il faut faire attention lorsque la valeur de la métrique est supérieure ou inférieure. Il n'est applicable que lorsque nous avons des valeurs inattendues pour les prévisions. Nous ne pouvons pas compter sur MSE car il pourrait augmenter pendant que le modèle fonctionne bien.

Diapositive 4

Cette diapositive explique que la fonction de perte de charnière est couramment observée dans les machines à vecteurs de support. La fonction a la forme = max[0,1-yf(x)]. Lorsque yf(x)>=0, la fonction de perte est 0, mais lorsque yf(x)<0 l'erreur augmente de manière exponentielle, pénalisant de manière disproportionnée les points mal classés qui sont éloignés de la marge. En conséquence, l'imprécision augmenterait de façon exponentielle jusqu'à ces points.

Diapositive 5

Cette diapositive indique que l'entropie croisée est une fonction logarithmique qui prédit des valeurs allant de 0 à 1. Elle évalue l'efficacité d'un modèle de classification. Par conséquent, lorsque la valeur est de 0,010, la perte d'entropie croisée est plus importante et le modèle fonctionne mal sur la prédiction.