Próbuję zrozumieć, jaki jest cel funkcji utraty i nie do końca rozumiem.
Tak więc, o ile rozumiem, funkcja straty służy wprowadzeniu pewnego rodzaju miernika, za pomocą którego możemy zmierzyć „koszt” niewłaściwej decyzji.
Powiedzmy, że mam zestaw danych z 30 obiektami, podzieliłem je na zestawy szkoleniowe / testowe, takie jak 20/10. Będę używać funkcji utraty 0-1, więc powiedzmy, że mój zestaw etykiet klas to M, a funkcja wygląda następująco :
Więc zbudowałem jakiś model na podstawie danych treningowych, powiedzmy, że używam klasyfikatora Naive Bayes, a ten model poprawnie sklasyfikował 7 obiektów (przypisano im prawidłowe etykiety klas), a 3 obiekty zostały sklasyfikowane nieprawidłowo.
Więc moja funkcja utraty zwróci „0” 7 razy, a „1” 3 razy - jaki rodzaj informacji mogę z tego uzyskać? Czy mój model nieprawidłowo sklasyfikował 30% obiektów? A może jest coś więcej?
Jeśli w moim myśleniu są jakieś błędy, bardzo mi przykro, próbuję się tylko nauczyć. Jeśli podany przeze mnie przykład jest „zbyt abstrakcyjny”, daj mi znać, postaram się sprecyzować. Jeśli spróbujesz wyjaśnić tę koncepcję na innym przykładzie, użyj funkcji utraty 0-1.
źródło
Tak, w zasadzie to wszystko: liczysz liczbę błędnie sklasyfikowanych przedmiotów. Nie kryje się za tym nic więcej, jest to bardzo podstawowa funkcja strat. utrata 0-1 prowadzi do trybu szacowania rozkładu docelowego (w porównaniu ze stratą dla oszacowania mediany i stratą dla oszacowania średniej).L.1 L.2)
źródło
Myślę, że twoje zamieszanie nie rozróżnia straty dla jednego punktu danych od straty dla całego zestawu danych.
źródło