Regresyon için MSE ve MAE
Hedeften uzaklığı cezalandırma.
Regresyon için MSE ve MAE, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.
Regresyonun Kendi Kaybına İhtiyacı Vardır
Modeliniz fiyat veya sıcaklık gibi bir sayı tahmin ettiğinde, her tahminin gerçek değerden ne kadar saptığını ölçen bir regresyon kaybına ihtiyaç duyarsınız. 📏
Ortalama Karesel Hatayla Tanışın
MSE, her tahmin hatasının karesini alır ve ardından bunların ortalamasını hesaplar. Kare almak tüm hataları pozitif tutar ve büyük sapmaları küçük olanlardan çok daha fazla cezalandırır.
MSE Tek Satırda
PyTorch size nn.MSELoss sağlar; bu nedenle formülü elle yazmanız gerekmez. Tahminleri ve hedefleri geçirir, karşılığında tek bir skaler alırsınız.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Kare Almak Neden Önemlidir
MSE hataların karesini aldığı için 4'lük bir hata, 1'lik bir hatadan 16 kat daha fazla sayılır. Bu, MSE'yi büyük hatalara ve aykırı değerlere karşı çok duyarlı hâle getirir.
Ortalama Mutlak Hatayla Tanışın
MAE, hataların karesini almak yerine her hatanın mutlak büyüklüğünün ortalamasını hesaplar. Her hata, gerçek büyüklüğüyle orantılı olarak hesaba katılır.
PyTorch'ta MAE
MAE için nn.L1Loss kullanın. Adı, ortalama alınmadan önce mutlak farkları basitçe toplayan L1 normundan gelir.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE Aykırı Değerleri Önemsemez
MAE hiçbir şeyin karesini almadığından, tek bir aşırı aykırı değer kaybı kontrolden çıkarmaz. Bu da onu karmaşık veriler için daha sakin ve dayanıklı bir seçenek hâline getirir.
MSE ve MAE: Denge
Büyük hatalar gerçekten daha kötüyse ve verileriniz temizse MSE seçin. Aykırı değerler takip etmek istemediğiniz gürültülerse MAE seçin.
Sayının Anlamı
Bir regresyon kaybı, hedefinizin birimleri cinsindendir (MSE için karesi alınmış biçimde). Daha düşük değer daha iyidir; ancak bunu mutlak bir puan olarak değil, modeller arasında karşılaştırın.
Huber: İki Yöntemin En İyisi
Hem dayanıklılık hem de düzgün gradyanlar mı istiyorsunuz? Huber kaybı, küçük hatalarda MSE gibi, büyük hatalarda ise MAE gibi davranarak iki yaklaşımı birleştirir.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Kaybı Çıktı Biçimiyle Eşleştirin
Regresyonda son katmanınız, aktivasyon olmadan ham sayılar üretir. Kayıp, bu değerleri doğrudan hedeflerle karşılaştırır.
Hızlı Kontrol
Bir aykırı değer eğitiminize hâkim oluyor. Buna karşı en dayanıklı kayıp hangisidir?
Özet: Ölçülen Uzaklık
Artık regresyon hatasını iki şekilde okuyabilirsiniz: MSE, büyük sapmaları karesini alarak daha ağır cezalandırırken MAE aykırı değerlere karşı daha dengeli kalır. Kaybı verilerinize uygun seçtiğinizde hazırsınız. 🎯
Yapay zeka eğitmeniyle Python öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 30
- Dersler
- 120
Sıkça Sorulan Sorular
“Regresyon için MSE ve MAE” dersi ücretsiz mi?
Evet — “Regresyon için MSE ve MAE” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.
“Regresyon için MSE ve MAE” dersinde ne öğreneceğim?
Hedeften uzaklığı cezalandırma. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“Regresyon için MSE ve MAE” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Deep Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Regresyon için MSE ve MAE
- Logitlerle İkili Çapraz Entropi
- Çok Sınıflı Problemler için Çapraz Entropi
- Dengesiz Veriler için Sınıf Ağırlıkları