häviöfunktionsa

Häviöfunktio, tunnetaan myös nimellä kustannusfunktio tai virhefunktio, on keskeinen käsite koneoppimisessa ja optimoinnissa. Sen tehtävänä on kvantifioida mallin suorituskykyä vertaamalla sen ennusteita todellisiin arvoihin. Yksinkertaisesti sanottuna häviöfunktio mittaa, kuinka "huono" malli on tietyssä tehtävässä.

Tavoitteena koneoppimisessa on minimoida tämä häviöfunktio. Mallia koulutetaan syöttämällä sille dataa ja säätämällä sen sisäisiä parametreja siten, että häviöfunktio antaa mahdollisimman pienen arvon. Mitä pienempi häviöfunktio on, sitä tarkempi malli on.

Eri tehtäviin ja malleihin käytetään erilaisia häviöfunktioita. Regressiotehtävissä, joissa ennustetaan jatkuvaa arvoa, yleisiä häviöfunktioita ovat esimerkiksi keskineliövirhe (Mean Squared Error, MSE) ja keskimääräinen absoluuttinen virhe (Mean Absolute Error, MAE). Luokittelutehtävissä, joissa ennustetaan luokkaa, käytetään usein ristiinentropiaa (Cross-Entropy).

Häviöfunktion valinta vaikuttaa merkittävästi mallin koulutusprosessiin ja lopulliseen suorituskykyyn. Sen avulla voidaan ohjata optimointialgoritmeja löytämään parhaat mallin parametrit.