loss functions : fonctions de perte de classification et de régression

Article
05/23/2023

Les fonctions de perte pour la régression et la classification.

Utilisation

  expLoss(beta = 1, ...)

  hingeLoss(margin = 1, ...)

  logLoss(...)

  smoothHingeLoss(smoothingConst = 1, ...)

  poissonLoss(...)

  squaredLoss(...)

Arguments

`beta`

Spécifie la valeur numérique de bêta (dilatation). La valeur par défaut est 1.

`margin`

Spécifie la valeur de la marge numérique. La valeur par défaut est 1.

`smoothingConst`

Spécifie la valeur numérique de la constante de lissage. La valeur par défaut est 1.

`...`

Argument masqué.

Détails

Une fonction de perte mesure la différence entre la prédiction d’un algorithme Machine Learning et la sortie supervisée, et représente le coût d’une erreur.

Les fonctions de perte de classification prises en charge sont les suivantes :

logLoss

expLoss

hingeLoss

smoothHingeLoss

Les fonctions de perte de régression prises en charge sont les suivantes :

poissonLoss

squaredLoss.

Valeur

Chaîne de caractères définissant la fonction de perte.

Auteur(s)

Microsoft Corporation Microsoft Technical Support

Voir aussi

rxFastLinear, rxNeuralNet

Exemples


 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

Partager via