ในการเรียนรู้ของเครื่องจักรผู้คนพูดถึงฟังก์ชั่นวัตถุประสงค์ฟังก์ชั่นค่าใช้จ่ายฟังก์ชั่นการสูญเสีย พวกเขาต่างชื่อกันในสิ่งเดียวกันหรือไม่? ควรใช้เมื่อใด หากพวกเขาไม่ได้อ้างถึงสิ่งเดียวกันเสมอไปความแตกต่างคืออะไร?
ในการเรียนรู้ของเครื่องจักรผู้คนพูดถึงฟังก์ชั่นวัตถุประสงค์ฟังก์ชั่นค่าใช้จ่ายฟังก์ชั่นการสูญเสีย พวกเขาต่างชื่อกันในสิ่งเดียวกันหรือไม่? ควรใช้เมื่อใด หากพวกเขาไม่ได้อ้างถึงสิ่งเดียวกันเสมอไปความแตกต่างคืออะไร?
คำตอบ:
เงื่อนไขเหล่านี้ไม่เข้มงวดมากและเกี่ยวข้องกันมาก อย่างไรก็ตาม:
เรื่องสั้นสั้นฉันจะบอกว่า:
ฟังก์ชั่นการสูญเสียเป็นส่วนหนึ่งของฟังก์ชันต้นทุนซึ่งเป็นฟังก์ชันวัตถุประสงค์ประเภทหนึ่ง
ตามที่ศาสตราจารย์แอนดรูว์อึ้ง (ดูสไลด์ในหน้า 11)
ฟังก์ชัน h (X) แสดงถึงสมมติฐานของคุณ สำหรับพารามิเตอร์การติดตั้งคงที่ theta มันเป็นฟังก์ชั่นของคุณสมบัติ X ผมว่านี่อาจเรียกว่า Objective Function
ฟังก์ชันต้นทุน J เป็นฟังก์ชันของพารามิเตอร์การปรับที J = J (theta)
อ้างอิงจากหนังสือ"องค์ประกอบของการเรียนรู้ทางสถิติ"ของ Hastie et al. , โดย p.37:
"เราค้นหาฟังก์ชัน f (X) สำหรับทำนายค่า Y ที่ได้รับจากอินพุต X" [... ] ฟังก์ชั่นการสูญเสีย L (Y, f (X)) คือ "ฟังก์ชั่นสำหรับลงโทษข้อผิดพลาดในการทำนาย"
ดังนั้นดูเหมือนว่า "ฟังก์ชั่นการสูญเสีย" เป็นคำทั่วไปที่กว้างกว่า "ฟังก์ชั่นค่าใช้จ่าย" เล็กน้อย หากคุณค้นหา "การสูญเสีย" ใน PDF นั้นฉันคิดว่าพวกเขาใช้ "ฟังก์ชั่นต้นทุน" และ "ฟังก์ชั่นการสูญเสีย" ค่อนข้างตรงกัน
แท้จริงแล้ว 502
"สถานการณ์ [ในการจัดกลุ่ม] ค่อนข้างคล้ายกับข้อกำหนดของฟังก์ชันการสูญเสียหรือต้นทุนในการทำนายปัญหา (การเรียนรู้แบบมีผู้สอน)"
อาจมีคำศัพท์เหล่านี้อยู่เพราะพวกเขาพัฒนาขึ้นมาอย่างอิสระในชุมชนวิชาการที่แตกต่างกัน "Objective Function" เป็นคำศัพท์เก่าที่ใช้ในการวิจัยปฏิบัติการและคณิตศาสตร์วิศวกรรม "ฟังก์ชั่นการสูญเสีย" อาจมีการใช้งานมากขึ้นในหมู่นักสถิติ แต่ฉันคาดเดาที่นี่
ในคำพูดของ Andrew NG -
"ในที่สุดฟังก์ชั่นการสูญเสียถูกกำหนดด้วยความเคารพในตัวอย่างการฝึกอบรมเดียวมันวัดว่าคุณทำได้ดีแค่ไหนในการฝึกตัวอย่างเดียวตอนนี้ฉันกำลังจะนิยามสิ่งที่เรียกว่าฟังก์ชั่นต้นทุน ทำชุดฝึกอบรมทั้งหมดดังนั้นฟังก์ชั่นค่าใช้จ่าย J ซึ่งใช้กับพารามิเตอร์ของคุณคือ W และ B จะเป็นค่าเฉลี่ยโดยหนึ่งใน m ของผลรวมของฟังก์ชั่นการสูญเสียที่ใช้กับตัวอย่างการฝึกอบรมแต่ละรอบแล้ว "
จากหัวข้อ 4.3 ใน "การเรียนรู้ลึก" - Ian Goodfellow, Yoshua Bengio, Aaron Courville http://www.deeplearningbook.org/
"ฟังก์ชันที่เราต้องการย่อหรือขยายให้ใหญ่ที่สุดเรียกว่าฟังก์ชันวัตถุประสงค์หรือเกณฑ์เมื่อเราย่อเล็กสุดเราอาจเรียกว่าฟังก์ชันต้นทุนฟังก์ชันสูญเสียหรือฟังก์ชันข้อผิดพลาดในหนังสือเล่มนี้เราใช้คำเหล่านี้แทนกันได้ แม้ว่าสิ่งพิมพ์การเรียนรู้ด้วยเครื่องบางเครื่องจะกำหนดความหมายพิเศษให้กับข้อกำหนดเหล่านี้บางส่วน "
ในหนังสือเล่มนี้อย่างน้อยการสูญเสียและค่าใช้จ่ายเหมือนกัน
เพื่อให้คำตอบสั้น ๆ ตามพวกเขาพวกเขามีความหมายเหมือนกัน อย่างไรก็ตามฟังก์ชั่นราคาถูกใช้มากขึ้นในปัญหาการเพิ่มประสิทธิภาพและฟังก์ชั่นการสูญเสียจะใช้ในการประมาณค่าพารามิเตอร์
ฟังก์ชันต้นทุนและการสูญเสียข้อกำหนดมีความหมายเหมือนกันบางคนเรียกว่าฟังก์ชันข้อผิดพลาด สถานการณ์ทั่วไปมากขึ้นคือการกำหนดฟังก์ชั่นวัตถุประสงค์ก่อนซึ่งเราต้องการที่จะเพิ่มประสิทธิภาพ ฟังก์ชั่นวัตถุประสงค์นี้สามารถที่จะ
จริง ๆ แล้วง่ายถ้าคุณมีข้อมูลการฝึกอบรมเช่นนี้ (x (1), y (1)), (x (2), y (2)), . . (x (m), y (m)) เราใช้ฟังก์ชั่นการสูญเสีย L (ycap, y) เพื่อค้นหาการสูญเสียระหว่าง ycap และ y ของชุดการฝึกอบรมเดี่ยวหากเราต้องการหาการสูญเสียระหว่าง ycap และ y ของชุดการฝึกอบรมทั้งหมดที่เราใช้ ฟังก์ชั่นค่าใช้จ่าย
หมายเหตุ: - ycap หมายถึงเอาต์พุตจากรุ่นของเราและ y หมายถึงเอาต์พุตที่คาดหวัง
หมายเหตุ: - เครดิตไปที่ทรัพยากรของ Andrew: เครือข่ายประสาทของหลักสูตรและการเรียนรู้อย่างลึกซึ้ง
ฟังก์ชั่นการสูญเสียคำนวณข้อผิดพลาดสำหรับตัวอย่างการฝึกอบรมเดียวในขณะที่ฟังก์ชั่นค่าใช้จ่ายเป็นค่าเฉลี่ยของฟังก์ชั่นการสูญเสียของชุดการฝึกอบรมทั้งหมด