Funciones de pérdida en el entrenamiento de aprendizaje profundo Ppt

Diapositiva 1

Esta diapositiva enumera los tipos de funciones de pérdida como un componente del aprendizaje profundo. Estos incluyen error absoluto medio, error cuadrático medio, pérdida de bisagra y entropía cruzada.

Diapositiva 2

Esta diapositiva indica que el error absoluto medio es una estadística para calcular la diferencia absoluta entre los valores esperados y los reales. Divida el total de todas las diferencias absolutas por el número de observaciones. No penaliza los valores grandes con tanta dureza como el error cuadrático medio (MSE).

Diapositiva 3

Esta diapositiva describe que el MSE se determina sumando los cuadrados de la diferencia entre los valores esperados y reales y dividiendo por el número de observaciones. Es necesario prestar atención cuando el valor de la métrica es mayor o menor. Solo es aplicable cuando tenemos valores inesperados para los pronósticos. No podemos confiar en MSE ya que podría aumentar mientras el modelo funciona bien.

Diapositiva 4

Esta diapositiva explica que la función de pérdida de bisagra se ve comúnmente en las máquinas de vectores de soporte. La función tiene la forma = max[0,1-yf(x)]. Cuando yf(x)>=0, la función de pérdida es 0, pero cuando yf(x)<0 el error aumenta exponencialmente, penalizando desproporcionadamente los puntos mal clasificados que están lejos del margen. Como resultado, la inexactitud crecería exponencialmente hasta esos puntos.

Diapositiva 5

Esta diapositiva indica que la entropía cruzada es una función logarítmica que predice valores que van de 0 a 1. Evalúa la efectividad de un modelo de clasificación. Como resultado, cuando el valor es 0,010, la pérdida de entropía cruzada es más significativa y el modelo funciona mal en la predicción.