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

• 손실 (머신러닝)
• L₁ 손실
• 손실 함수
• 제곱 힌지 손실
• 평균 제곱 오차

3 참고

• https://developers.google.com/machine-learning/glossary?hl=ko#%EC%A0%9C%EA%B3%B1-%EC%86%90%EC%8B%A4squared-loss