Hogyan értelmezhető a "veszteség" és a "pontosság" egy d modell esetében; gépi tanulás

Amikor a Theano vagy a Tensorflow segítségével edzem az ideghálózatomat, akkor egy "veszteség" nevű változót jelentenek majd korszakonként.

Hogyan kell értelmezni ezt a változót? A nagyobb veszteség jobb vagy rosszabb, vagy mit jelent ez a neurális hálózatom végső teljesítményére (pontosságára)?

Minél inkább a veszteség az alacsony , annál jobb a modell (kivéve, ha a modell túl alkalmas az edzési adatokra). A veszteség kiszámítása mikor történik kiképzés és néhány érvényesítés és kölcsönhatása a modell teljesítménye e két halmaz esetében. A pontosságtól eltérően a veszteség nem százalék. Ez a képzési vagy validációs készletek egyes példáin elkövetett hibák összessége.

Az ideghálózatok esetében a veszteség általában negatív log-valószínûség és a maradék négyzetösszeg a besoroláshoz és a regresszióhoz. Ezután természetesen egy edzésmodell fő célja a veszteségfüggvény értékének csökkentése (minimalizálása) a modell paramétereihez képest a súlyvektor értékeinek különböző optimalizálási módszerekkel történő módosításával, például a visszaszaporítással ideghálózatokban.

---