Cost Function
En cost function, også kaldet tabsfunktion, kvantificerer forskellen mellem en models forudsigelser og de faktiske værdier.
Kort fortalt
En cost function fortæller, hvor meget din model tager fejl – jo mindre, desto bedre.
- Kategori
- begreb
- Niveau
- øvet
Betydninger
1- 1
En funktion, der måler afvigelsen mellem modellens forudsigelser og de sande værdier, og som optimeringsalgoritmen forsøger at minimere under træning.
- Mean squared error er en almindelig cost function for regressionsproblemer.
- Cross-entropy loss bruges ofte som cost function til klassifikation.
Hvornår bruges det
Cost functions bruges under træning af maskinlæringsmodeller for at guide optimeringsalgoritmen, som f.eks. gradient descent, til at justere modelparametrene for at minimere fejlen.
Formel
For mean squared error: C = (1/n) Σ (y_i - ŷ_i)²Kodeeksempel
def mean_squared_error(y_true, y_pred):
return np.mean((y_true - y_pred) ** 2)Implementering af mean squared error cost function
Oprindelse
Udtrykket kommer fra økonomi og optimeringsteori, hvor 'cost' refererer til omkostninger.