Training, Loss Dan Mean Square Error (Mse)

Training dan Loss atau dalam bahasa Indonesia dengan sederhananya ialah 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 ialah pada sample yang mempunyai label dan tak berlabel. Jika anda ingin mengulang bahan tersebut anda sanggup kembali sejenak. Mengapa melaksanakan training terhadap bobot dan bias sample penting bagi model kita ? Hal ini ialah cara yang sanggup kita gunakan untuk meminimalkan kesalahan(baca:kerugian/loss) pada model yang kita latih. Hal ini terang 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 training dan daripada training tersebut kemudian kita menerima hasil kerugian/loss yang kita miliki. Contohnya ialah model tersebut dikatakan tidak cocok jika nilai kerugian tersebut ialah besar atau nilai loss yang kita miliki dikatakan ialah sangat tinggi, begitupun sebaliknya jika nilai loss atau kerugian yang kita peroleh dari training sample kita ialah 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) ialah jumlah loss rata-rata kuadrat yang kita miliki dari seluruh kumpulan data. Berikut ialah rumus daripada MSE tersebut :

dimana :

(x, y) ialah sebagai berikut :

x ialah seluruh set daripada fitur yang dimiliki sample yang dipakai sebagai model untuk menciptakan prediksi

y ialah teladan daripada label tersebut

prediction(x) adalah fungsi yang didefiniskan sebagai nilai bobot dan bias dalam keseluruhan set fitur yang dimiliki oleh x

D ialah seluruh kumpulan data yang berisi banyak teladan berlabel dan merupakan dari pasangan (x,y)

N adalah jumlah teladan 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.

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: