loss functions: функции потери для классификации и регрессии

Статья
05/23/2023

Функции потери для классификации и регрессии.

Использование

  expLoss(beta = 1, ...)

  hingeLoss(margin = 1, ...)

  logLoss(...)

  smoothHingeLoss(smoothingConst = 1, ...)

  poissonLoss(...)

  squaredLoss(...)

Аргументы

`beta`

Указывает числовое значение бета (дилатация). Значение по умолчанию — 1.

`margin`

Задает числовое значение поля. Значение по умолчанию — 1.

`smoothingConst`

Задает числовое значение константы сглаживания. Значение по умолчанию — 1.

`...`

Скрытый аргумент.

Подробнее

Функция потерь измеряет несоответствие между прогнозом алгоритма машинного обучения и защищенными выходными данными и представляет цену ошибки.

Поддерживаются следующие функции потерь для классификации:

logLoss

expLoss

hingeLoss

smoothHingeLoss

Поддерживаются следующие функции потерь для регрессии:

poissonLoss

squaredLoss.

Значение

Строка символов, определяющая функцию потери.

Авторы

Корпорация Майкрософт Microsoft Technical Support

См. также

rxFastLinear, rxNeuralNet

Примеры


 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

Поделиться через