제곱 손실

1 개요[ | ]

squared loss, L2 loss
제곱 손실, L2 손실
  • 선형 회귀에 사용되는 손실 함수
  • 예측과 레이블 간의 차이 제곱
  • [math]\displaystyle{ L_2 Loss = \sum_{(x,y)∈D} (y-prediction(x))^2 }[/math]
  • [math]\displaystyle{ = (관찰 - 예측)^2 }[/math]
  • [math]\displaystyle{ = (y - y')^2 }[/math]
  • 이 함수는 레이블이 있는 예에 대한 모델의 예측 값과 레이블의 실제 값 차이의 제곱을 계산한다.
  • 이 손실 함수는 제곱을 구하므로 부정확한 예측에 더 큰 영향을 준다.
  • 즉, 제곱 손실은 L₁ 손실보다 이상점에 민감하게 반응한다.

2 같이 보기[ | ]

3 참고[ | ]

문서 댓글 ({{ doc_comments.length }})
{{ comment.name }} {{ comment.created | snstime }}