Makine öğrenimindeki bazı temel fikirler hakkında küresel bir bakış açısı elde etmeye çalışıyorum ve farklı kayıp kavramlarının (kare, günlük, menteşe, proxy, vb.) Kapsamlı bir tedavisi olup olmadığını merak ediyordum. John Langford'ın Kayıp İşlevi Semantiği hakkındaki mükemmel yazısının daha kapsamlı ve resmi bir sunum çizgisi boyunca bir şeyler düşünüyordum .
Yanıtlar:
Enerji Tabanlı Öğrenme Eğitimi LeCun ve arkadaşları tarafından. sizi orada iyi bir yer haline getirebilir. Bir dizi kayıp fonksiyonunu tanımlarlar ve onları enerji tabanlı modeller için neyin "iyi ya da kötü" yaptığını tartışırlar.
Kayıp fonksiyonu problem tarafından verilir. Herhangi bir şey olabilir. Örneğin, kullanılan CPU zamanını ve alanını da cezalandırabilirsiniz.
Takviye öğrenmede, kayıp fonksiyonu bilinmeyen, belirleyici olmayan bir işlevdir. Sorunu değiştirmeden yeniden tanımlayamazsınız.
Bu sorunun bir tür tarihli olduğunu biliyorum, ama şu anda ilgilendiğim bir şey.
Konveks kayıp fonksiyonları ve sınıflandırıcı tutarlılığı konusunda çok iyi bir makale Tong Zhang'ın “ Konveks Risk Minimizasyonuna Dayalı Sınıflandırma Yöntemlerinin İstatistiksel Davranışı ve Tutarlılığı ” dır .