funzioni di perdita: funzioni perdita per la classificazione e la regressione

Articolo
05/23/2023

Funzioni di perdita per la regressione e la classificazione.

Utilizzo

  expLoss(beta = 1, ...)

  hingeLoss(margin = 1, ...)

  logLoss(...)

  smoothHingeLoss(smoothingConst = 1, ...)

  poissonLoss(...)

  squaredLoss(...)

Arguments

`beta`

Specifica il valore numerico di beta (dilazione). Il valore predefinito è 1.

`margin`

Specifica il valore del margine numerico. Il valore predefinito è 1.

`smoothingConst`

Specifica il valore numerico della costante di smoothing. Il valore predefinito è 1.

`...`

argomento nascosto.

Dettagli

Una funzione di perdita misura la discrepanza tra la stima di un algoritmo di Machine Learning e l'output supervisionato e rappresenta il costo dell'errore.

Le funzioni di perdita di classificazione supportate sono:

logLoss

expLoss

hingeLoss

smoothHingeLoss

Le funzioni di perdita di regressione supportate sono:

poissonLoss

squaredLoss.

Valore

Stringa di caratteri che definisce la funzione di perdita.

Autore/i

Microsoft Corporation Microsoft Technical Support

Vedi anche

rxFastLinear, rxNeuralNet

Esempi


 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

Share via