ฉันกำลังพยายามมองโลกในมุมมองที่สำคัญบางอย่างเกี่ยวกับการเรียนรู้ของเครื่องและฉันก็สงสัยว่าถ้ามีการรักษาที่ครอบคลุมเกี่ยวกับความสูญเสียที่แตกต่างกัน (ยกกำลังสอง, บันทึก, บานพับ, พร็อกซี่ ฯลฯ ) ผมคิดว่าสิ่งที่ตามสายของที่ครอบคลุมมากขึ้นนำเสนออย่างเป็นทางการของโพสต์ที่ยอดเยี่ยมจอห์นแลงในความหมายฟังก์ชั่นการสูญเสีย
คำตอบ:
กวดวิชาในพลังงานการเรียนรู้โดย LeCun et al, อาจทำให้คุณเป็นส่วนหนึ่งของวิธีที่นั่น พวกเขาอธิบายถึงฟังก์ชั่นการสูญเสียจำนวนมากและหารือเกี่ยวกับสิ่งที่ทำให้พวกเขา "ดีหรือไม่ดี" สำหรับแบบจำลองพลังงาน
ฟังก์ชั่นการสูญเสียจะได้รับจากปัญหา มันอาจเป็นอะไรก็ได้ ตัวอย่างเช่นคุณสามารถลงโทษเวลาและพื้นที่ CPU ที่ใช้ไป
ในการเรียนรู้การเสริมกำลังฟังก์ชั่นการสูญเสียเป็นฟังก์ชั่นที่ไม่ได้กำหนดไว้อย่างไม่รู้จัก คุณไม่สามารถกำหนดใหม่ได้โดยไม่ต้องเปลี่ยนปัญหา
ฉันรู้ว่าคำถามนี้ล้าสมัย แต่เป็นสิ่งที่ฉันสนใจ
กระดาษที่ดีมากในหัวข้อของฟังก์ชั่นการสูญเสียนูนและความสอดคล้องลักษณนามคือ " พฤติกรรมทางสถิติและความสอดคล้องของวิธีการจำแนกตามการลดความเสี่ยงของนูน " โดยตงจาง