fungsi loss: Fungsi Klasifikasi dan Kehilangan Regresi
Fungsi kerugian untuk klasifikasi dan regresi.
Penggunaan
expLoss(beta = 1, ...)
hingeLoss(margin = 1, ...)
logLoss(...)
smoothHingeLoss(smoothingConst = 1, ...)
poissonLoss(...)
squaredLoss(...)
Argumen
beta
Menentukan nilai numerik beta (dilation). Nilai default adalah 1.
margin
Menentukan nilai margin numerik. Nilai default adalah 1.
smoothingConst
Menentukan nilai numerik konstanta penghalus. Nilai default adalah 1.
...
argumen tersembunyi.
Detail
Fungsi kerugian mengukur perbedaan antara prediksi algoritma pembelajaran mesin dan output yang diawasi dan mewakili biaya yang salah.
Fungsi kehilangan klasifikasi yang didukung adalah:
logLoss
expLoss
hingeLoss
smoothHingeLoss
Fungsi kehilangan regresi yang didukung adalah:
poissonLoss
squaredLoss
.
Nilai
String karakter yang menentukan fungsi kerugian.
Penulis
Microsoft Corporation Microsoft Technical Support
Lihat juga
Contoh
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
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk