Her iki fonksiyon gibi veri madenciliği yöntemlerinin bir parçası olduğu görülmektedir Gradyan regressors arttırma. Bunların da ayrı nesneler olduğunu görüyorum.
Genel olarak ikisi arasındaki ilişki nasıl?
Her iki fonksiyon gibi veri madenciliği yöntemlerinin bir parçası olduğu görülmektedir Gradyan regressors arttırma. Bunların da ayrı nesneler olduğunu görüyorum.
Genel olarak ikisi arasındaki ilişki nasıl?
Yanıtlar:
Bir karar işlevi , girdi olarak bir veri kümesi alır ve çıktı olarak bir karar veren bir fonksiyonudur. Kararın ne olabileceği eldeki soruna bağlıdır. Örnekler şunları içerir:
Genellikle, bir sorun için sınırsız sayıda karar işlevi vardır. Örneğin, İsveçli erkeklerin on gözlemine dayalı yüksekliğini tahmin etmekle ilgileniyorsak , aşağıdaki karar işlevlerinden herhangi birini kullanabiliriz d ( x ) :
O zaman bu karar işlevlerinden hangisinin kullanılacağını nasıl belirleyebiliriz? Bunun bir yolu, olası tüm kararlarla ilgili kaybı (veya maliyeti) tanımlayan bir kayıp işlevi kullanmaktır . Farklı karar fonksiyonları farklı tür hatalara yol açma eğilimindedir. Kayıp işlevi bize hangi tür hatalardan daha fazla endişe etmemiz gerektiğini söyler. En iyi karar işlevi, beklenen en düşük zararı veren işlevdir . Beklenen kayıp ile kastedilen, ayara bağlıdır (özellikle, sık veya Bayesian istatistiklerinden bahsettiğimizden ).
Özetle:
Kayıp fonksiyonu, bir anlamda optimal olan bir model elde etmek için en aza indirgenmiş olandır. Modelin kendisinin tahmin etmek için kullanılan bir karar işlevi vardır.
Örneğin, SVM sınıflandırıcılarında: