Verlustfunktionen: Klassifizierungs- und Regressionsverlustfunktionen
Die Verlustfunktionen zur Klassifizierung und Regression.
Verwendung
expLoss(beta = 1, ...)
hingeLoss(margin = 1, ...)
logLoss(...)
smoothHingeLoss(smoothingConst = 1, ...)
poissonLoss(...)
squaredLoss(...)
Argumente
beta
Gibt den numerischen Wert von Beta (Erweiterung) an. Der Standardwert ist 1.
margin
Gibt den numerischen Randwert an. Der Standardwert ist 1.
smoothingConst
Gibt den numerischen Wert der Glättungskonstante an. Der Standardwert ist 1.
...
Ausgeblendetes Argument.
Details
Eine Verlustfunktion misst die Abweichung zwischen der Vorhersage eines Algorithmus für maschinelles Lernen und der überwachten Ausgabe und stellt die Kosten eines Fehlers dar.
Die unterstützten Klassifizierungsverlustfunktionen sind:
logLoss
expLoss
hingeLoss
smoothHingeLoss
Die unterstützten Regressionsverlustfunktionen sind:
poissonLoss
squaredLoss.
Wert
Eine Zeichenfolge, die die Verlustfunktion definiert.
Autor(en)
Microsoft Corporation Microsoft Technical Support
Weitere Informationen
Beispiele
train <- function(lossFunction) {
result <- rxFastLinear(isCase ~ age + parity + education + spontaneous + induced,
transforms = list(isCase = case == 1), lossFunction = lossFunction,
data = infert,
type = "binary")
coef(result)[["age"]]
}
age <- list()
age$LogLoss <- train(logLoss())
age$LogLossHinge <- train(hingeLoss())
age$LogLossSmoothHinge <- train(smoothHingeLoss())
age