به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سلام
دوستان ، تفاوت اصلی این دو تا لاس چی هست دلیل اینکه اولی برای مسائل رگراسیون و دومی برای کلاسیفیکشن استفاده میشه چی میتونه باشه ؟ مزایا و معایب هریک برای مسائل رگراسیون و کلاسیفیکشین چی هست ؟

توسط (389 امتیاز)

1 پاسخ

+1 امتیاز

با سلام و احترام
در MSE اختلاف فاصله تمامی نمونه های خروجی شبکه رو با نمونه برچسب سنجیده و به توان میرساند و به عنوان loss قرار میدهیم ولی در Cross-E مجموع لگاریتم نمونه های خروجی که میبایستی یک می بودند را بعنوان loss قرار می هیم.

در رگرسیون خروجی مطلوب به صورت یک عدد یا یک بردار پیوسته میباشد که بایستی خروجی شبکه را بازای تمامی مقادیر به این مقدار مطلوب نزدیک کنیم - پس بایستی از روابط ای برای loss استفاده کنیم که تمامی مقادیر خروجی را با تمامی مقادیر برچسب مقایسه کند - که MSE این کار را انجام می دهد.

در کلاسیفیکیشن (single-label classification) خروجی مورد انتظار یک بردار one-hot می باشد که فقط کافیست یک مقداری از خروجی (مقدار ماکزیمم) که متناظر آن در برچسب یک است را در نظر بگیریم و مقدار بقیه خروجی ها اهمیتی ندارد. برای این منظور بهتر است از Cross-E استفاده کنیم.

در کلاسیفیکیشن (multi-label classification) از logistic regression loss استفاده می شود. که همون cross-E هستش که هم مقادیر صفر و هم مقادیر یک را در نظر میگیرد.
البته از MSE در کلاسیفیکیشن میتوان استفاده کرد ولی Cross-E سرعت همگرایی بالاتری داره (تابع log شیب بیشتری نسبت به 2^‌x دارد).
همچنین توجه داشته باشید در کلاسیفیکیشن بایستی مقادیر خرجی شبکه را با softmax یا توابع دیگر به حالت احتمالاتی برده سپس از cross-E استفاده شود.

توسط (830 امتیاز)
...