MSE dan MAE untuk Regresi
Menghukum jarak daripada sasaran.
MSE dan MAE untuk Regresi ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Regresi Memerlukan Ralatnya Sendiri
Apabila model anda meramalkan nombor seperti harga atau suhu, anda memerlukan ralat regresi yang mengukur sejauh mana setiap tekaan tersasar daripada nilai sebenar. 📏
Kenali Ralat Kuasa Dua Min
MSE menguasa duakan setiap ralat ramalan, kemudian mempuratakannya. Pengkuasaan dua memastikan semua ralat positif dan menghukum tersasar besar jauh lebih kuat berbanding tersasar kecil.
MSE dalam Satu Baris
PyTorch menyediakan nn.MSELoss, jadi anda tidak perlu menulis formulanya secara manual. Anda memberikan ramalan dan sasaran lalu menerima satu skalar.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Mengapa Pengkuasaan Dua Penting
Oleh sebab MSE menguasa duakan ralat, ralat 4 dikira 16 kali lebih besar daripada ralat 1. Hal ini menjadikan MSE sangat sensitif terhadap kesilapan besar dan pencilan.
Kenali Ralat Mutlak Min
MAE mempuratakan saiz mutlak setiap ralat tanpa menguasa duakannya. Setiap kesilapan dikira berkadaran dengan saiz sebenar kesilapan itu.
MAE dalam PyTorch
Gunakan nn.L1Loss untuk MAE. Namanya berasal daripada norma L1, yang hanya menjumlahkan perbezaan mutlak sebelum mempuratakannya.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE Tidak Banyak Dipengaruhi Pencilan
Oleh sebab MAE tidak pernah menguasa duakan apa-apa, satu pencilan yang melampau tidak akan melonjakkan ralat. Hal ini menjadikannya pilihan yang lebih tenang dan teguh untuk data yang berselerak.
MSE berbanding MAE: Pertukarannya
Pilih MSE apabila ralat besar benar-benar lebih buruk dan data anda bersih. Pilih MAE apabila pencilan hanyalah hingar yang tidak mahu anda kejar.
Maksud Nombor
Fungsi kehilangan regresi adalah dalam unit sasaran anda (dikuasakan dua untuk MSE). Nilai yang lebih rendah adalah lebih baik, tetapi bandingkannya antara model, bukan sebagai skor mutlak.
Huber: Gabungan Terbaik
Mahukan keteguhan dan kecerunan yang lancar? Kehilangan Huber bertindak seperti MSE untuk ralat kecil dan seperti MAE untuk ralat besar, dengan menggabungkan kedua-dua tingkah laku.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Padankan Fungsi Kehilangan dengan Bentuk Output
Untuk regresi, lapisan akhir anda mengeluarkan nombor mentah dengan tiada fungsi pengaktifan. Fungsi kehilangan membandingkan nilai tersebut terus dengan sasaran.
Semakan Pantas
Satu pencilan mendominasi latihan anda. Fungsi kehilangan manakah yang paling teguh terhadapnya?
Imbas Kembali: Jarak yang Diukur
Kini anda membaca ralat regresi melalui dua cara: MSE menghukum kesilapan besar dengan mengkuasaduakannya, manakala MAE kekal stabil terhadap pencilan. Padankan fungsi kehilangan dengan data anda dan semuanya sudah bersedia. 🎯
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “MSE dan MAE untuk Regresi” percuma?
Ya — teks penuh “MSE dan MAE untuk Regresi” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “MSE dan MAE untuk Regresi”?
Menghukum jarak daripada sasaran. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.
Berapa lamakah pelajaran “MSE dan MAE untuk Regresi” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- MSE dan MAE untuk Regresi
- Entropi Silang Binari dengan Logit
- Entropi Silang untuk Pelbagai Kelas
- Pemberat Kelas untuk Data Tidak Seimbang