MSE dan MAE untuk Regresi
Memberi penalti pada jarak dari target
MSE dan MAE untuk Regresi adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Regresi Memerlukan Loss Sendiri
Saat model Anda memprediksi angka seperti harga atau suhu, Anda memerlukan loss regresi yang mengukur seberapa jauh setiap tebakan dari nilai sebenarnya. 📏
Mari Mengenal Mean Squared Error
MSE menguadratkan setiap galat prediksi, lalu menghitung rata-ratanya. Pengkuadratan membuat semua galat positif dan menghukum kesalahan besar jauh lebih keras daripada kesalahan kecil.
MSE dalam Satu Baris
PyTorch menyediakan nn.MSELoss, jadi Anda tidak perlu menulis rumusnya secara manual. Anda memberikan prediksi dan target, lalu mendapatkan satu skalar.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Mengapa Pengkuadratan Penting
Karena MSE menguadratkan galat, galat sebesar 4 dihitung 16 kali lebih besar daripada galat sebesar 1. Hal ini membuat MSE sangat sensitif terhadap kesalahan besar dan pencilan.
Mari Mengenal Mean Absolute Error
MAE menghitung rata-rata besar absolut setiap galat, bukan menguadratkannya. Setiap kesalahan dihitung sebanding dengan ukuran sebenarnya.
MAE di PyTorch
Gunakan nn.L1Loss untuk MAE. Namanya berasal dari norma L1, yang cukup menjumlahkan selisih absolut sebelum menghitung rata-ratanya.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE Tidak Terlalu Terpengaruh Pencilan
Karena MAE tidak pernah menguadratkan apa pun, satu pencilan ekstrem tidak membuat loss melonjak. Hal ini menjadikannya pilihan yang lebih tenang dan tangguh untuk data yang berantakan.
MSE vs MAE: Pertukarannya
Pilih MSE ketika kesalahan besar benar-benar lebih buruk dan data Anda bersih. Pilih MAE ketika pencilan hanyalah derau yang tidak ingin Anda ikuti.
Makna Angka tersebut
Fungsi kerugian regresi dinyatakan dalam satuan target Anda (dikuadratkan untuk MSE). Nilai yang lebih rendah lebih baik, tetapi bandingkan nilainya antarmodel, bukan sebagai skor absolut.
Huber: Perpaduan Terbaik
Ingin ketahanan dan gradien yang mulus? Fungsi kerugian Huber bekerja seperti MSE untuk kesalahan kecil dan seperti MAE untuk kesalahan besar, sehingga memadukan kedua perilaku tersebut.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Sesuaikan Fungsi Kerugian dengan Bentuk Keluaran
Untuk regresi, lapisan terakhir Anda mengeluarkan angka mentah tanpa fungsi aktivasi. Fungsi kerugian membandingkan nilai tersebut langsung dengan target.
Pemeriksaan Singkat
Satu pencilan mendominasi pelatihan Anda. Fungsi kerugian mana yang paling tahan terhadapnya?
Ringkasan: Jarak yang Diukur
Sekarang Anda dapat membaca kesalahan regresi dengan dua cara: MSE menghukum kesalahan besar dengan menguadratkannya, sedangkan MAE tetap stabil terhadap pencilan. Sesuaikan fungsi kerugian dengan data Anda dan semuanya siap. 🎯
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “MSE dan MAE untuk Regresi” gratis?
Ya — teks lengkap “MSE dan MAE untuk Regresi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “MSE dan MAE untuk Regresi”?
Memberi penalti pada jarak dari target Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “MSE dan MAE untuk Regresi” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- MSE dan MAE untuk Regresi
- Binary Cross-Entropy dengan Logits
- Cross-Entropy untuk Multikelas
- Bobot Kelas untuk Data Tidak Seimbang