In ক্ষতি সংজ্ঞায়িত করা যায় এবং লগ ক্ষতি loss হিসাবে সংজ্ঞায়িত করা যায়
আমার নিম্নলিখিত প্রশ্নগুলি রয়েছে:
কবজ ক্ষতির কোনও অসুবিধাগুলি রয়েছে (যেমন http://www.unc.edu/~yfliu/papers/rsvm.pdf এ উল্লিখিত outliers সম্পর্কে সংবেদনশীল )?
অন্যটির তুলনায় একজনের পার্থক্য, সুবিধা, অসুবিধাগুলি কী কী?
উত্তর:
লোগারিদমিক লোকসান হ্রাস কমাতে ভাল আচরণ করা সম্ভাব্য ফলাফল আউটপুট বাড়ে।
কব্জি হ্রাস দ্বৈত উপর কিছু (গ্যারান্টিযুক্ত) দুর্যোগ বাড়ে, কিন্তু এটি সম্ভাবনা অনুমানের জন্য সাহায্য করে না। পরিবর্তে, এটি ভুল শৃঙ্খলাবদ্ধদের শাস্তি দেয় (এ কারণেই এটি মার্জিনগুলি নির্ধারণ করতে এত দরকারী): হ্রাসকারী কব্জা-ক্ষতি মার্জিনের ভুল বিভ্রান্তিকরণগুলি হ্রাস করার সাথে আসে।
সুতরাং, সংক্ষেপে:
লোগারিদমিক লোকসান নির্ভুলতার ব্যয়ে আরও সম্ভাব্যতার অনুমানের দিকে নিয়ে যায়
সম্ভাব্যতা সম্পর্কে খুব কম সংবেদনশীলতার দামে কব্জির ক্ষতি আরও ভাল নির্ভুলতা এবং কিছু স্পারসিটি বাড়ে
@ ফায়ারবাগের একটি ভাল উত্তর ছিল (+1)। আসলে, আমি এখানে একটি অনুরূপ প্রশ্ন ছিল।
শ্রেণিবিন্যাসে প্রায় 0-1 টি ক্ষতিতে বিভিন্ন লোকসান ফাংশনগুলি বেছে নেওয়ার প্রভাবগুলি কী
আমি কেবল লজিস্টিক ক্ষতির আরও বড় সুবিধাগুলিতে আরও যুক্ত করতে চাই: সম্ভাব্য ব্যাখ্যা। একটি উদাহরণ, এখানে পাওয়া যাবে
বিশেষত, লজিস্টিক রিগ্রেশন পরিসংখ্যান সাহিত্যের একটি ধ্রুপদী মডেল। (দেখুন, নামকরণের জন্য "লজিস্টিক রিগ্রেশন" নামটি কী বোঝায়? ) লজিস্টিক ক্ষতির সাথে সম্পর্কিত অনেকগুলি গুরুত্বপূর্ণ ধারণা রয়েছে যেমন লগের সম্ভাবনা প্রাক্কলন, সম্ভাবনা অনুপাতের পরীক্ষা এবং সেইসাথে দ্বিপদী সম্পর্কে অনুমানগুলি। এখানে কিছু সম্পর্কিত আলোচনা করা হল।
আর-তে সম্ভাবনা অনুপাতের পরীক্ষা test
কেন লজিস্টিক রিগ্রেশনকে লজিস্টিক শ্রেণিবিন্যাস বলা হয় না?
যেহেতু @ hxd1011 ক্রস এনট্রপির একটি সুবিধা যুক্ত করেছে, আমি এর একটি অপূর্ণতা যুক্ত করব।
সম্ভাব্যতা বিতরণের মধ্যে ক্রস এনট্রপি ত্রুটি অনেক দূরত্বের ব্যবস্থাগুলির মধ্যে একটি, তবে এর একটি অসুবিধা হ'ল লম্বা লেজযুক্ত বিতরণগুলি সম্ভাব্য ইভেন্টগুলিতে দেওয়া খুব বেশি ওজনের সাথে খারাপভাবে মডেল করা যায়।