Antes de considerar una función de pérdida, es importante conocer algunos conceptos y comprender cómo afectan el rendimiento / corrección del modelo.
- Matriz de confusión: una cuadrícula (matriz) de verdaderos positivos (tp), verdaderos negativos (tn), falsos positivos (fp) y falsos negativos (fn)
- Precisión y recuperación:
- Precisión: relación entre el recuento de predicciones positivas verdaderas y las predicciones totales: [matemática] tp / (tp + fp) [/ matemática]
- Recordar: relación del recuento de positivos verdaderos predichos al recuento de verdaderos positivos reales – [matemática] tp / (tp + fn) [/ matemática]
- Elegir / diseñar una función de pérdida se basaría en qué tipo de errores puede permitirse un modelo. ¿Puede el modelo permitirse falsos positivos / falsos negativos? Por ejemplo, si un modelo predice la posibilidad de una enfermedad mortal según algunos parámetros de salud. Si el modelo predice falso negativo y si está impulsando la decisión de un médico / médico. Sería muy costoso. Como el paciente no recibiría un tratamiento, debería hacerlo.
- Casi todo el tiempo, hay una función de pérdida disponible en algunas de las bibliotecas de aprendizaje automático y sería muy raro que necesitemos escribir nuestra propia función de pérdida.
- Los algoritmos de Machine Learning se pueden proporcionar con una función de pérdida personalizada para entrenar. A menudo, esta es una cadena que representa el nombre de una función de pérdida o, a veces, una función que debe implementarse según una definición de función específica. Escribir una función de pérdida que sería invocada por el modelo durante el entrenamiento a veces puede ser complicado. Consulte la documentación oficial si está disponible para los detalles de la función de pérdida personalizada.
