Библиотека собеса по Data Science | вопросы с собеседований

Можно ли считать функцию потерь метрикой качества?

Нет, ставить знак равенства здесь нельзя.

✅ Функция потерь — это математическое выражение, используемое для измерения ошибки модели при её обучении. Она показывает, насколько сильно предсказания модели отличаются от реальных значений. Функция потерь служит основой для оптимизации: обучение модели заключается в минимизации значения этой функции.

Примеры:
▪️Среднеквадратичная ошибка (Mean Squared Error, MSE) для регрессии.
▪️Кросс-энтропия (Cross-Entropy Loss) для классификации.

✅ Метрика — это внешний, объективный критерий качества. Он не зависит напрямую от параметров модели — только от предсказанных и фактических меток.

Примеры:
▪️Точность (Accuracy) для классификации.
▪️F1-мера для задач с несбалансированными классами.

#машинное_обучение

👍7🥱1

www.tg-me.com/hk/Библиотека собеса по Data Science | вопросы с собеседований/com.ds_interview_lib/712

1.02K viewsNov 28, 2024 at 18:11

Можно ли считать функцию потерь метрикой качества?

Нет, ставить знак равенства здесь нельзя.

✅ Функция потерь — это математическое выражение, используемое для измерения ошибки модели при её обучении. Она показывает, насколько сильно предсказания модели отличаются от реальных значений. Функция потерь служит основой для оптимизации: обучение модели заключается в минимизации значения этой функции.

Примеры:
▪️Среднеквадратичная ошибка (Mean Squared Error, MSE) для регрессии.
▪️Кросс-энтропия (Cross-Entropy Loss) для классификации.

✅ Метрика — это внешний, объективный критерий качества. Он не зависит напрямую от параметров модели — только от предсказанных и фактических меток.

Примеры:
▪️Точность (Accuracy) для классификации.
▪️F1-мера для задач с несбалансированными классами.

#машинное_обучение

BY Библиотека собеса по Data Science | вопросы с собеседований