Funções de perda no treinamento de aprendizado profundo Ppt

Slide 1

Este slide lista os tipos de funções de perda como um componente do Deep Learning. Estes incluem erro médio absoluto, erro quadrático médio, perda de dobradiça e entropia cruzada.

Slide 2

Este slide informa que o erro médio absoluto é uma estatística para calcular a diferença absoluta entre os valores esperados e reais. Divida o total de todas as diferenças absolutas pelo número de observações. Ele não penaliza valores grandes tão severamente quanto o Erro Quadrático Médio (MSE).

Slide 3

Este slide descreve que o MSE é determinado somando os quadrados da diferença entre os valores esperados e reais e dividindo pelo número de observações. É necessário prestar atenção quando o valor da métrica é maior ou menor. Só é aplicável quando temos valores inesperados para previsões. Não podemos confiar no MSE, pois ele pode aumentar enquanto o modelo apresenta um bom desempenho.

Slide 4

Este slide explica que a função de perda de dobradiça é comumente vista em máquinas de vetores de suporte. A função tem a forma = max[0,1-yf(x)]. Quando yf(x)>=0, a função perda é 0, mas quando yf(x)<0 o erro aumenta exponencialmente, penalizando desproporcionalmente os pontos mal classificados que estão longe da margem. Como resultado, a imprecisão cresceria exponencialmente até esses pontos.

Slide 5

Este slide afirma que a entropia cruzada é uma função logarítmica que prevê valores variando de 0 a 1. Ela avalia a eficácia de um modelo de classificação. Como resultado, quando o valor é 0,010, a perda de entropia cruzada é mais significativa e o modelo apresenta desempenho ruim na previsão.