Der 0-1-Loss.
Ordnet das Modell den Datenpunkt zu der richtigen Klasse zu, so ist der Fehler 0. Entscheidet sich das Modell für die falsche Klasse, so ist der Fehler bei 1.
Dieser Verlust unterscheidet jedoch nicht, ob sich das Modell zu 95% sicher ist oder nur zu 55%.
#loss
Bei der Klassifikation ist der Output kein stetiger Wert, sondern die Wahrscheinlichkeit für eine Klasse.
Hierfür wird die Berechnung des Losses die margin benötigt. Diese beschreibt, wie sicher sich das Modell bei der Prediction war. #marginloss#classification#teachhood
Die letzte Verlustfunktion der Regression ist der Huber-Loss. Dieser kombiniert die Vorteile vom L2- und L1-Loss. Zuerst steigt er quadratisch an und ab einem bestimmten Schwellenwert nur noch linear. Starke Ausreißer bekommen somit nicht mehr einen zu extremen Fehler.
#loss
Ein weiterer Loss, der bei der Regression zum Einsatz kommt ist der L1-Loss oder absoluter Fehler.
Hier werden Ausreißer nicht so stark bestraft, da der Fehler nicht quadriert wird. Ein Nachteil ist, dass der Loss an der Stelle 0 nicht differenzierbar ist.
#l1loss#datascience
L2-Loss / Mean Squared Error
Hier wird der Fehler quadriert, was dazu führt, dass bereits sehr hohe Werte nochmals viel größer gemacht werden. Ausreißer im Datensatz werden sehr stark bestraft, was zu Verzerrungen führen kann.
Außerdem ist der L2-Loss überall differenzierbar.
The For loop repeats until a specified condition evaluates to false. The range function returns a sequence of numbers, starts from 0, increases by 1 by default.
Created with @carbon_app#100DaysOfCode#javascript#Python