Функция потерь в машинном обучении вычисляет, насколько хорошо работает модель, сравнивая то, что она прогнозирует, с фактическим значением, которое она должна выдать. 3 Если прогнозируемое значение (Ypred) очень далеко от истинного (Yi), значение потерь будет высоким, и наоборот, если оба значения почти одинаковы, значение потерь будет низким. 3

Некоторые функции потерь и способы их расчёта:

• Mean Squared Error (MSE). 14 Среднеквадратичная ошибка, наиболее распространённая функция потерь для регрессии. 1 Вычисляется как среднее квадратов разностей между предсказанными и истинными значениями. 1 Формула: MSE = (1/n) * Σ(yi – ŷi)². 1
• Mean Absolute Error (MAE). 14 Средняя абсолютная ошибка, менее чувствительна к выбросам, чем MSE. 1 Формула: MAE = (1/n) * Σ|yi – ŷi|. 1
• Huber Loss. 1 Гибридная функция, сочетающая свойства MSE и MAE, устойчивая к выбросам. 1
• Log-Cosh Loss. 1 Логарифм гиперболического косинуса ошибки, дифференцируемая альтернатива MAE. 1 Формула: L(y, ŷ) = Σ log(cosh(ŷi – yi)). 1

Также существуют специализированные функции потерь, разработанные для решения конкретных задач, например: Triplet Loss, Contrastive Loss, Dice Loss и другие. 1