Training, Loss Dan Mean Square Error (Mse)
Training dan Loss atau dalam bahasa Indonesia dengan sederhananya yaitu Pelatihan dan Kerugian.
 |
| Ilustrasi |
Pelatihan
Mengapa penting bagi kita memahami apa yang disebut dengan Training/pelatihan dalam Machine Learning ? Training berkhasiat sebagai cara yang dipakai pada model kita untuk mempelajari weight/bobot dan intercept/bias pada sample kita, misalnya yaitu pada sample yang mempunyai label dan tak berlabel. Jika anda ingin mengulang bahan tersebut anda sanggup kembali sejenak. Mengapa melaksanakan pembinaan terhadap bobot dan bias sample penting bagi model kita ? Hal ini yaitu cara yang sanggup kita gunakan untuk meminimalkan kesalahan(baca:kerugian/loss) pada model yang kita latih. Hal ini terperinci sebagai dasar dari apa yang disebut Supervised Learning mengenai suatu cara mengurangi risiko empiris atau juga yang dikenal dalam bahasa inggris sebagai empirical risk minimization.
Kerugian
Sebagaimana telah dijelaskan diatas bahwa kerugian/loss sanggup kita peroleh dari hasil training pada sample dimana dalam arti sederhananya kita akan sanggup memilih bahwa sample yang kita peroleh cocok atau tidaknya jika sudah melalui pembinaan dan daripada pembinaan tersebut kemudian kita menerima hasil kerugian/loss yang kita miliki. Contohnya yaitu model tersebut dikatakan tidak cocok jika nilai kerugian tersebut yaitu besar atau nilai loss yang kita miliki dikatakan yaitu sangat tinggi, begitupun sebaliknya jika nilai loss atau kerugian yang kita peroleh dari pembinaan sample kita yaitu sama dengan nol maka model dikatakan sempurna.
Contoh model dengan Regresi Linier/Regression Linear atau sanggup dikenali pada masyarakat umum sebagai squared loss(Loss2) :
= the square of the difference between the label and the prediction
= (observation - prediction(x))2
= (y - y')2
Mean Square Error (MSE) yaitu jumlah loss rata-rata kuadrat yang kita miliki dari seluruh kumpulan data. Berikut yaitu rumus daripada MSE tersebut :
dimana :
(x, y) yaitu sebagai berikut :
x yaitu seluruh set daripada fitur yang dimiliki sample yang dipakai sebagai model untuk menciptakan prediksi
y yaitu pola daripada label tersebut
prediction(x) adalah fungsi yang didefiniskan sebagai nilai bobot dan bias dalam keseluruhan set fitur yang dimiliki oleh x
D yaitu seluruh kumpulan data yang berisi banyak pola berlabel dan merupakan dari pasangan (x,y)
N adalah jumlah pola dalam D
Demikian klarifikasi daripada MSE yang diupayakan oleh Author dan sekaligus Founder MeemTechnology/MeemCode , namun penting bagi kita untuk saling mengingatkan bahwa hal ini(MSE) bukanlah satu-satunya cara untuk melaksanakan analisis loss/kerugian dalam Machine Learning.
0 Response to "Training, Loss Dan Mean Square Error (Mse)"
Posting Komentar