Kokią nuostolių funkciją taikyti modelio mokymo metu?

Mašininio mokymosi užduoties ir modelio tipo priklauso nuo prarandų funkcijos (loss funkcijos) pasirinkimas:

• Regresijos užduotims dažnai naudojama Mean Squared Error (MSE) arba Mean Absolute Error (MAE).
• Dviem klasėms skirtoms klasifikacijos užduotims dažnai taikoma Binary Cross-Entropy (logistinė regresija).
• Daugklasės klasifikacijai — Categorical Cross-Entropy.
• Užduotims su nesubalansuotomis klasėmis gali būti naudojamos svorines prarandų funkcijų versijos arba Focal Loss.

Pavyzdžiui, mokant neuroninį tinklą 10 klasių vaizdų klasifikacijai, dažnai naudojama Categorical Cross-Entropy:

loss = tf.keras.losses.CategoricalCrossentropy()

Svarbu pasirinkti prarandų funkciją, kuri atitinka kokybės matą ir modelio išėjimo duomenų tipą.