0Pricing
Deep Learning Academy · บทเรียน

MSE และ MAE สำหรับการถดถอย

ลงโทษความห่างจากค่าเป้าหมาย

MSE และ MAE สำหรับการถดถอย เป็นบทเรียน Deep Learning Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Deep Learning Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Deep Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน

การถดถอยต้องใช้ค่าความสูญเสียเฉพาะทาง

เมื่อโมเดลของคุณทำนายตัวเลข เช่น ราคา หรืออุณหภูมิ คุณต้องใช้ค่าความสูญเสียสำหรับการถดถอยเพื่อวัดว่าการคาดเดาแต่ละครั้งห่างจากค่าจริงมากเพียงใด 📏

พบกับความคลาดเคลื่อนกำลังสองเฉลี่ย

MSEจะยกกำลังสองความคลาดเคลื่อนของการทำนายทุกค่าแล้วหาค่าเฉลี่ย การยกกำลังสองทำให้ความคลาดเคลื่อนทั้งหมดเป็นบวก และลงโทษความผิดพลาดขนาดใหญ่มากกว่าความผิดพลาดขนาดเล็กอย่างชัดเจน

MSE ในบรรทัดเดียว

PyTorch มี nn.MSELoss ให้ใช้ คุณจึงไม่ต้องเขียนสูตรด้วยมือ เพียงส่งค่าทำนายและค่าเป้าหมายเข้าไป แล้วจะได้ค่าสเกลาร์หนึ่งค่ากลับมา

import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)

เหตุใดการยกกำลังสองจึงสำคัญ

เนื่องจาก MSE ยกกำลังสองความคลาดเคลื่อน ความคลาดเคลื่อน 4 จึงมีน้ำหนักมากกว่าความคลาดเคลื่อน 1 ถึง 16 เท่า ทำให้MSEไวต่อความผิดพลาดขนาดใหญ่และค่าผิดปกติมาก

พบกับความคลาดเคลื่อนสัมบูรณ์เฉลี่ย

MAEจะหาค่าเฉลี่ยของขนาดสัมบูรณ์ของความคลาดเคลื่อนแต่ละค่าแทนการยกกำลังสอง ความผิดพลาดทุกครั้งจึงมีน้ำหนักตามขนาดจริงของมัน

MAE ใน PyTorch

ใช้ nn.L1Loss สำหรับ MAE ชื่อนี้มาจากบรรทัดฐาน L1 ซึ่งเพียงหาผลรวมของผลต่างสัมบูรณ์ก่อนหาค่าเฉลี่ย

import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)

MAE ไม่หวั่นต่อค่าผิดปกติ

เนื่องจาก MAEไม่เคยยกกำลังสองสิ่งใด ค่าผิดปกติที่รุนแรงเพียงค่าเดียวจึงไม่ทำให้ค่าความสูญเสียพุ่งสูงเกินไป ทำให้ MAE เป็นตัวเลือกที่นิ่งกว่าและทนทานกว่าสำหรับข้อมูลที่มีความยุ่งเหยิง

MSE กับ MAE: ความแตกต่างที่ต้องแลก

เลือก MSE เมื่อข้อผิดพลาดขนาดใหญ่ส่งผลเสียมากจริง ๆ และข้อมูลของคุณสะอาด เลือก MAE เมื่อค่าผิดปกติเป็นสัญญาณรบกวนที่คุณไม่ต้องการให้แบบจำลองพยายามไล่ตาม

ความหมายของตัวเลข

ค่าความสูญเสียของการถดถอยอยู่ในหน่วยเดียวกับเป้าหมายของคุณ (ยกกำลังสองสำหรับ MSE) ค่าที่ต่ำกว่าย่อมดีกว่า แต่ควร เปรียบเทียบระหว่างแบบจำลอง ไม่ใช่ใช้เป็นคะแนนสัมบูรณ์

Huber: ข้อดีของทั้งสองแบบ

ต้องการความทนทานและเกรเดียนต์ที่ราบรื่นใช่ไหม ความสูญเสียแบบ Huber จะทำงานเหมือน MSE สำหรับข้อผิดพลาดขนาดเล็ก และเหมือน MAE สำหรับข้อผิดพลาดขนาดใหญ่ จึงผสานพฤติกรรมของทั้งสองแบบเข้าด้วยกัน

import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)

จับคู่ความสูญเสียกับรูปร่างผลลัพธ์

สำหรับการถดถอย ชั้นสุดท้ายจะส่งออกตัวเลขดิบโดย ไม่มีฟังก์ชันการกระตุ้น ความสูญเสียจะเปรียบเทียบค่าเหล่านั้นกับเป้าหมายโดยตรง

ตรวจสอบอย่างรวดเร็ว

มีค่าผิดปกติหนึ่งค่าครอบงำการฝึกของคุณ ความสูญเสียใดทนต่อค่านี้ได้ดีที่สุด

ทบทวน: ระยะทางที่วัดได้

ตอนนี้คุณอ่านข้อผิดพลาดของการถดถอยได้สองแบบแล้ว: MSE ลงโทษการพลาดครั้งใหญ่ด้วยการยกกำลังสอง ขณะที่ MAE ยังคงเสถียรเมื่อมีค่าผิดปกติ เลือกความสูญเสียให้เหมาะกับข้อมูล แล้วคุณก็พร้อมใช้งาน 🎯

คำถามที่พบบ่อย

บทเรียน “MSE และ MAE สำหรับการถดถอย” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “MSE และ MAE สำหรับการถดถอย” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Deep Learning Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Deep Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “MSE และ MAE สำหรับการถดถอย”

ลงโทษความห่างจากค่าเป้าหมาย คุณปฏิบัติ Deep Learning Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Deep Learning Academy หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Deep Learning Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน

บทเรียน “MSE และ MAE สำหรับการถดถอย” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Deep Learning Academy นี้ได้ไหม

ได้ บทเรียน Deep Learning Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

  1. MSE และ MAE สำหรับการถดถอย
  2. Binary Cross-Entropy พร้อม Logits
  3. Cross-Entropy สำหรับหลายคลาส
  4. น้ำหนักคลาสสำหรับข้อมูลไม่สมดุล
← กลับไปที่ Deep Learning Academy