Exploración de las funciones de costo en el aprendizaje automático

La fuerza impulsora detrás de la optimización en el aprendizaje de la máquina es la respuesta de una función interna al algoritmo, llamado función de coste. Es posible que vea otros términos utilizados en algunos contextos, tales como la pérdida de la función, la función objetivo, función de puntuación, o función de error, pero la función de coste es una función de evaluación que mide qué tan bien la máquina algoritmo de aprendizaje se asigna la función objetivo que se está tratando de adivinar. Además, una función de costes determina qué tan bien un algoritmo de aprendizaje automático se realiza en una predicción supervisado o no supervisado un problema de optimización.

Video: Tipos de funciones de costes

La función de evaluación funciona mediante la comparación de las predicciones del algoritmo contra el resultado real grabado con el mundo real. Comparando una predicción en contra de su valor real utilizando una función de coste que determina el nivel de error del algoritmo.

Debido a que es una formulación matemática, la función de costo expresa el nivel de error en una forma numérica, manteniendo así los errores baja. La función de coste transmite lo que es realmente importante y significativo para sus propósitos al algoritmo de aprendizaje. Como resultado de ello, se debe elegir o definir con precisión, la función de coste basado en la comprensión del problema que desea resolver o el nivel de logro que desea alcanzar.

A modo de ejemplo, al considerar la previsión del mercado de valores, la función de costo expresa la importancia de evitar predicciones incorrectas. En este caso, usted quiere hacer dinero al evitar grandes pérdidas. En previsión de ventas, la preocupación es diferente porque es necesario para reducir el error en situaciones comunes y frecuentes, no en los raros y excepcionales, por lo que utilizar una función de costes diferente.

Cuando el problema es predecir que es probable que se enferma de una determinada enfermedad, le algoritmos de premios que puede anotar una alta probabilidad de señalar a las personas que tienen las mismas características y en realidad ha adquirido la enfermedad más adelante. Sobre la base de la gravedad de la enfermedad, también se puede preferir que el algoritmo elige erróneamente algunas personas que no se enferman después de todo no faltar a las personas que realmente hacen enfermar.

Video: Costes logísticos de aprovisionamiento

La función de coste es lo que realmente impulsa el éxito de una aplicación de aprendizaje automático. Es tan crítico para el proceso de aprendizaje como la representación (la capacidad para aproximarse a ciertas funciones matemáticas) y optimización (cómo los algoritmos de aprendizaje automático establecen sus parámetros internos).

La mayoría de los algoritmos de optimización de su propia función de coste, y usted tiene más remedio que aplicar tal cual son. Algunos algoritmos permiten elegir entre un cierto número de funciones posibles, proporcionando una mayor flexibilidad. Cuando un algoritmo utiliza una función de costes directamente en el proceso de optimización, la función de coste se utiliza internamente. Dado que los algoritmos están configurados para funcionar con ciertas funciones de coste, el objetivo de optimización puede diferir de su objetivo deseado.

En tal caso, se miden los resultados utilizando una función de coste externo que, para mayor claridad de la terminología, se llama a un función de error o función de pérdida (Si es que tiene que ser minimizada) o una función de puntuación (Si es que ha de ser maximizada).

Con respecto a su objetivo, una buena práctica es definir la función de coste que funciona mejor para resolver su problema, y ​​luego de averiguar qué algoritmos funcionan mejor en la optimización para definir el espacio hipótesis de que desea probar.

Video: Función Costo y Costo Promedio

Cuando se trabaja con algoritmos que no permiten que la función de coste que desea, usted todavía puede influir indirectamente en su proceso de optimización mediante la fijación de sus hiper-parámetros y la selección de su entidades de entrada con respecto a su función de coste. Por último, cuando se haya reunido todos los resultados del algoritmo, se les evalúa mediante el uso de su función de coste elegida y luego decidir sobre la hipótesis final con el mejor resultado de su función de error elegido.

Cuando un algoritmo aprende de los datos, la función de coste guía el proceso de optimización, señalando los cambios en los parámetros internos que son los más beneficiosos para hacer mejores predicciones. La optimización continúa como la respuesta de la función de coste mejora la iteración por iteración. Cuando la respuesta puestos de venta o empeora, es el momento de dejar de ajustar los parámetros del algoritmo debido a que el algoritmo no es probable que para lograr mejores resultados de predicción a partir de ahí. Cuando el algoritmo trabaja en nuevos datos y hace predicciones, la función de costos ayuda a evaluar si está funcionando correctamente y es muy efectiva.

Video: Costo Promedio

La decisión sobre la función de costos es una actividad subestimado en el aprendizaje automático. Es una tarea fundamental, ya que determina cómo se comporta el algoritmo de aprendizaje y después de cómo se maneja el problema que desea resolver. Nunca dependa de opciones por defecto, pero siempre preguntarse lo que usted quiere lograr mediante el aprendizaje de máquina y comprobar lo que la función de coste puede representar mejor el logro.