Uitleg
Een loss-functie (verliesfunctie) kwantificeert hoe slecht een model presteert op trainingsgegevens. Het gemeten verschil tussen voorspelde en werkelijke waarden bepaalt hoe goed het model is. Machine learning training probeert deze loss te minimaliseren.
Verschillende taken gebruiken verschillende loss-functies. Voor regressie gebruikt men meestal Mean Squared Error (MSE) of Mean Absolute Error (MAE). Voor classificatie gebruikt men Cross-Entropy loss. De keuze van loss-functie beïnvloedt direct wat het model optimaliseren zal.
Een goed gekozen loss-functie leidt tot modellen die goed generaliseren. Een slecht gekozen loss kan tot ongewenste resultaten leiden, bijvoorbeeld bias richting bepaalde klassen. Loss-functies zijn centraal in alle machine learning-trainingen.
⚡ Voorbeelden
- •MSE penaliseert grote fouten zwaarder: (predictor - werkelijk)² gemiddeld
- •Cross-entropy loss voor classificatie straft foutieve klasse-toewijzingen af
- •Custom loss-functies kunnen ontworpen worden voor specifieke bedrijfsdoelen