William Arevalo Data Scientist & Full-Stack Developer

About Me Projects Blog


Funcion de perdida(basica)

Machine LearningApril 21, 2018

La pérdida L2 para un ejemplo determinado también se denomina error al cuadrado.

= Cuadrado de la diferencia entre la predicción y la etiqueta

= (observación - predicción)2

= (y - y’)2

Ya que queremos no solo reducir la pérdida en un solo ejemplo, sino que nos interesa reducir la perdida en todo nuestro conjunto de datos:

p é r d i d a N 2 = ∑ ( x , y ) ∈ D ( y − p r e d i c c i ó n ( x ) ) 2 pérdida L2 = \sum_{(x,y)\in D} (y - predicción(x))^2

 

∑ :Sumamos todos los ejemplos en el conjunto de entrenamiento. \sum \text{:Sumamos todos los ejemplos en el conjunto de entrenamiento.}


D : A veces es útil promediar todos los ejemplos, D \text{: A veces es útil promediar todos los ejemplos} entonces, hay que dividirlos por 1 ∥ D ∥ . \text{entonces, hay que dividirlos por} \frac{1}{\|D\|}.

 


photo

William Arevalo

Data Scientist • Bogotá, CO • willarevalo.developer@gmail.com

Passionate Data Scientist | Scrum amateur | Pentester | Services Admin | Calisthenics devotee

I always keep in constant learning and evolution
I don't stop.