رفتن به نوشته‌ها

فرق بین تابع خطا و تابع هزینه

تفاوت بین loss function (تابع خطا) و cost function (تابع هزینه):

فرض کنید ما ۱۰۰۰ نمونه ورودی به صورت (x,y) داشته باشیم. که x نمونه ورودی و y برچسب آن است (مثلا در پردازش تصویر فرض کنید x عکس ورودی است و y برچسب اینکه عکس گربه است یا خیر).

معمولا برای اینکه بخواهیم مدل‌مون رو آموزش بدیم نیاز هست که با یک معیاری دقت آن را بسنجیم. مثلا شما عکس iام  (x_i) رو میدید و مدل شما یک خروجی ȳ برمیگرداند. برای اینکه دقت مدل‌تون رو بسنجید شما ȳ رو با برچسب اصلی اش مقایسه میکنید. مثلا شما گفتید به احتمال ۹۰ درصد تصویر گربه است و ۱۰ درصد تصویر گربه نیست (یعنی مدل شما ȳ رو ۰.۹ برگردانده است). برچسب درست تصویر هم که y و مقدار آن ۱ است. برای اینکه میزان درستی پیش‌بینی مدل‌تون رو به ازای همین یک نمونه محاسبه کنه، باید از یک معیاری کمک بگیریم که اصلاحا به آن تابع خطا (loss function) میگن. مثلا این جذور مربعات شاید راحتترین چیزی باشه که احتمالا با اون برخورد کردید:

که برای مثال ما میشه:

این خطایی که به ازای یک نمونه ورودی (تاکید میکنم یک نمونه ورودی) حساب میشه اصلاحا loss function یا تابع خطا گفته میشه.

خب حالا اگر این کار رو به ازای تمام تصاویر انجام بدیم میشه چیزی شبیه زیر:

اگر این محاسبه تابع خطا رو به ازای تمام نمونه‌ها انجام بدید اصلاحا اسم اون رو میزاریم تابع هزینه یا cost function.

این توضیحات رو میتونید در ویدئو زیر مشاهده کنید (Andrew Ng Deep learning):

منتشر شده در آموزشیادگیری عمیقیادگیری ماشین

اولین باشید که نظر می دهید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *