Häviöfunktiota

Häviöfunktiota, tunnetaan myös nimellä kustannusfunktio tai virhefunktio, on keskeinen käsite koneoppimisessa ja optimoinnissa. Se mittaa mallin suorituskykyä ennustamalla todellisia arvoja. Yksinkertaisesti sanottuna häviöfunktio kvantifioi, kuinka suuri ero on mallin antaman ennusteen ja todellisen arvon välillä.

Tavoitteena koneoppimisessa on yleensä minimoida tämä häviöfunktio. Mitä pienempi häviöfunktio on, sitä paremmin malli on oppinut datasta ja sitä tarkempia sen ennusteet ovat. Häviöfunktion arvo lasketaan tyypillisesti jokaiselle datanäytteelle erikseen, ja näiden yksittäisten häviöiden keskiarvo muodostaa kokonaishäviön koko harjoitusaineistolle.

Erilaisia häviöfunktioita on olemassa riippuen ratkaistavasta ongelmasta. Yleisiä esimerkkejä ovat keskineliövirhe (Mean Squared Error, MSE) regressio-ongelmissa, joka mittaa ennustettujen ja todellisten arvojen erotusten neliöiden keskiarvoa, ja ristientropia (Cross-Entropy) luokitteluongelmissa, joka mittaa todennäköisyysjakaumien välistä eroa. Häviöfunktion valinta vaikuttaa merkittävästi mallin oppimisprosessiin ja sen lopulliseen suorituskykyyn.