häviötarkkuusmittareiden

Häviötarkkuus on termi, jota käytetään kuvaamaan tiettyä häviöominaisuutta, joka on olennainen eri koneoppimismalleissa, erityisesti niissä, jotka liittyvät luokitteluun ja ennustamiseen. Tarkemmin sanottuna se viittaa siihen, miten malli reagoi ennusteisiinsa liittyviin virheisiin. Korkea häviötarkkuus tarkoittaa, että malli on erittäin herkkä virheille ja pyrkii minimoimaan ne voimakkaasti.

Tämä ominaisuus on tärkeä, kun virheiden kustannukset vaihtelevat. Esimerkiksi lääketieteellisessä diagnostiikassa väärän negatiivisen tuloksen (esim. sairauden havaitsematta jättäminen) kustannukset voivat olla huomattavasti korkeammat kuin väärän positiivisen tuloksen (esim. terveen henkilön virheellinen diagnosointi). Häviötarkkuuden säätäminen mahdollistaa mallin painottavan enemmän vakavampien virheiden välttämistä.

Häviötarkkuuden käsitteen toteuttaminen mallissa sisältää yleensä häviöfunktion muokkaamisen. Perinteiset häviöfunktiot, kuten ristiin-entropia tai keskineliövirhe, antavat yleensä saman painoarvon kaikille virheille. Häviötarkkuuden yhteydessä voidaan käyttää painotettua häviöfunktiota, jossa tietyn tyyppisille virheille annetaan suurempi painoarvo. Tämä johtaa siihen, että malli oppii aktiivisemmin välttämään näitä kustannuksiltaan korkeampia virheitä, vaikka se saattaisi lisätä muiden virhetyyppien määrää hieman.