Loss function (original) (raw)
Účelová funkce, cílová funkce, kriteriální funkce (anglicky objective function) je v úlohách matematické optimalizace ta funkce, jejíž hodnotu se podle druhu úlohy snažíme buď maximalizovat (např. zisk) nebo minimalizovat (např. dobu trvání cesty, spotřebu, délku cesty). V některých oborech a v případech, kdy se požaduje minimalizace účelové funkce, se používá také název nákladová funkce (anglicky cost function, loss function).
| Property | Value |
|---|---|
| dbo:abstract | Účelová funkce, cílová funkce, kriteriální funkce (anglicky objective function) je v úlohách matematické optimalizace ta funkce, jejíž hodnotu se podle druhu úlohy snažíme buď maximalizovat (např. zisk) nebo minimalizovat (např. dobu trvání cesty, spotřebu, délku cesty). V některých oborech a v případech, kdy se požaduje minimalizace účelové funkce, se používá také název nákladová funkce (anglicky cost function, loss function). (cs) Eine Verlustfunktion (engl. loss function) ist eine spezielle Funktion in der mathematischen Statistik und Teil eines statistischen Entscheidungsproblemes. Sie ordnet jeder Entscheidung in Form einer Punktschätzung, einer Bereichsschätzung oder eines Tests den Schaden zu, der durch eine vom wahren Parameter abweichende Entscheidung entsteht. Gemeinsam mit der Entscheidungsfunktion wird die Verlustfunktion zur Risikofunktion kombiniert, die den potentiellen Schaden bei Verwendung einer Entscheidungsfunktion angibt. (de) Le terme fonction objectif ou fonction économique, est utilisé en optimisation mathématique et en recherche opérationnelle pour désigner une fonction qui sert de critère pour déterminer la meilleure solution à un problème d'optimisation. Elle associe une valeur à une instance d'un problème d'optimisation. Le but du problème d'optimisation est alors de minimiser ou de maximiser cette fonction jusqu'à l'optimum, par différents procédés comme l'algorithme du simplexe. Par exemple : * en mécanique, le rapport Poids/Puissance, * dans les réseaux de télécommunication, la fonction objectif "Nombre de routeurs traversés" couramment utilisée pour calculer des chemins optimaux au travers d'un réseau informatique. La fonction objectif considérée associe à chaque chemin dans le réseau le nombre de routeurs que ce chemin traverse. Le but est alors de trouver un chemin qui minimise cette fonction. (fr) In mathematical optimization and decision theory, a loss function or cost function (sometimes also called an error function) is a function that maps an event or values of one or more variables onto a real number intuitively representing some "cost" associated with the event. An optimization problem seeks to minimize a loss function. An objective function is either a loss function or its opposite (in specific domains, variously called a reward function, a profit function, a utility function, a fitness function, etc.), in which case it is to be maximized. The loss function could include terms from several levels of the hierarchy. In statistics, typically a loss function is used for parameter estimation, and the event in question is some function of the difference between estimated and true values for an instance of data. The concept, as old as Laplace, was reintroduced in statistics by Abraham Wald in the middle of the 20th century. In the context of economics, for example, this is usually economic cost or regret. In classification, it is the penalty for an incorrect classification of an example. In actuarial science, it is used in an insurance context to model benefits paid over premiums, particularly since the works of Harald Cramér in the 1920s. In optimal control, the loss is the penalty for failing to achieve a desired value. In financial risk management, the function is mapped to a monetary loss. (en) En estadística, teoría de la decisión y economía, la función de pérdida es una función que relaciona un evento (técnicamente un elemento de un espacio de muestreo) con un número real que representa el coste económico asociado con el evento. Las funciones de pérdida en economía se expresan normalmente en términos monetarios. Por ejemplo: Son posibles otras medidas del coste, por ejemplo mortalidad o morbilidad en el campo de la salud pública o ingeniería de seguridad. Las funciones de pérdida son complementarias de las funciones de utilidad que representan beneficio y satisfacción. Típicamente, para utilidad U: donde k es una constante arbitraria. (es) Dalam optimisasi matematika dan teori keputusan, fungsi kerugian atau fungsi biaya (kadang-kadang juga disebut fungsi kesalahan) adalah fungsi yang memetakan suatu peristiwa atau nilai dari satu atau lebih variabel ke bilangan real secara intuitif mewakili beberapa "biaya" yang terkait dengan acara. Masalah optimasi berusaha untuk meminimalkan fungsi kerugian. Fungsi tujuan adalah fungsi kerugian atau negatifnya (dalam domain tertentu, sering disebut fungsi hadiah, fungsi keuntungan, fungsi utilitas, fungsi kebugaran, dll.), dalam hal ini harus dimaksimalkan. Dalam statistik, biasanya fungsi kerugian digunakan untuk estimasi parameter, dan peristiwa yang dimaksud adalah beberapa fungsi dari perbedaan antara nilai yang diperkirakan dan nilai sebenarnya untuk sebuah instance data. Konsep tersebut, setua Laplace, diperkenalkan kembali dalam statistik oleh Abraham Wald pada pertengahan abad ke-20. Dalam konteks ekonomi, misalnya, ini biasanya biaya ekonomi atau penyesalan. Dalam klasifikasi, itu adalah hukuman untuk klasifikasi yang salah dari sebuah contoh. Dalam ilmu aktuaria, ini digunakan dalam konteks asuransi untuk memodelkan manfaat yang dibayarkan di atas premi, terutama sejak karya Harald Cramér pada 1920-an. Dalam kontrol optimal, kerugian adalah hukuman karena gagal mencapai nilai yang diinginkan. Dalam manajemen risiko keuangan, fungsi dipetakan ke kerugian moneter. (in) In ottimizzazione matematica e nella teoria della decisione, una funzione obiettivo o funzione di costo o ancora funzione di perdita (calco dell'inglese loss function) è una funzione che mappa un evento, o valori di una o più variabili, su un numero reale intuitivamente rappresenta un "costo" associato all'evento. Un problema di ottimizzazione cerca di minimizzare una funzione di costo. Mentre la funzione di costo o di perdita indicano una funzione da minimizzare, la funzione obiettivo denota una funzione che può essere necessario massimizzare; si parla allora di funzione di rinforzo, funzione di utilità, , ecc...). In statistica, viene in genere usata una funzione obiettivo (spesso chiamata loss function) per stimare dei parametri ed è una funzione della differenza tra i valori attesi e quelli reali, per un'istanza di dati. Il concetto, vecchio come Laplace, è stato reintrodotto in statistica da Abraham Wald a metà del XX secolo. In economia, ad esempio, si tratta generalmente di costi o di rimpianti. In classificazione statistica, rappresenta la penalità per la classificazione errata di un dato. Nella , viene utilizzata in un contesto assicurativo per modellare le prestazioni pagate sui premi; si ritrova in particolare nei lavori di Harald Cramér negli anni '20. Nel controllo ottimo, è la penalità per il mancato raggiungimento del valore desiderato del funzionale di costo. Nella gestione dei rischi finanziari, la funzione è associata a una perdita monetaria. In statistica classica (sia frequentista che bayesiana), una funzione di costo è generalmente usata come una sorta di convenzione matematica di fondo, anche se critici come William Edwards Deming e Nassim Nicholas Taleb hanno sostenuto che la funzione obiettivo dovrebbe riflettere un'esperienza empiricamente valida affinché sia usata per prendere decisioni reali. (it) 통계학, 결정이론 및 경제학 분야에서 손실 함수(損失函數) 또는 비용 함수(費用函數)는 사건(기술적으로 표본 공간의 한 요소)을 그 사건과 관련된 경제적 손실을 표현하는 실수로 사상하는 함수이다. (ko) Функция потерь — функция, которая в теории статистических решений характеризует потери при неправильном принятии решений на основе наблюдаемых данных. Если решается задача оценки параметра сигнала на фоне помех, то функция потерь является мерой расхождения между истинным значением оцениваемого параметра и оценкой параметра. (ru) Na otimização matemática, estatística, teoria da decisão, aprendizado de máquina e neurociência computacional, uma função de perda ou função de custo é uma função que mapeia um evento ou valores de uma ou mais variáveis num número real intuitivamente representando algum "custo" associado ao evento. Um problema de otimização procura minimizar uma função de perda. Uma função objetivo é uma função de perda ou sua função negativa (às vezes chamada função de recompensa, função de lucro, função de utilidade, função de aptidão, etc.), neste caso, ela deve ser maximizada. (pt) В математичній оптимізації, статистиці, теорії рішень та машинному навчанні фу́нкція втрат (англ. loss function) або фу́нкція витра́т (англ. cost function) — це функція, яка відображує подію, або значення однієї чи декількох величин, на дійсне число, яке інтуїтивно представляє якісь «витрати», пов'язані з цією подією. Задача оптимізації намагається функцію втрат мінімізувати. Цільова́ фу́нкція (англ. objective function) є або функцією втрат, або протилежною їй (яку іноді називають функцією винагороди, , функцією корисності, функцією допасованості тощо), в разі чого вона підлягає максимізації. У статистиці функція втрат, як правило, використовується для оцінювання параметрів, а подія, яка розглядається, є певною функцією відмінності між розрахунковими та істинними значеннями для зразка даних. Це поняття, старе як Лаплас, було повторно введено до статистики Абрахамом Валдом в середині XX століття. В контексті економіки, наприклад, воно зазвичай є або смутком. У класифікації воно є штрафом за неправильну класифікацію прикладу. В актуарній науці воно використовується в контексті страхування для моделювання виплат над страховими преміями, особливо з часів праць 1920-х років. В оптимальному керуванні втрати є штрафом за невдачу в досягненні бажаного значення. В управлінні фінансовими ризиками ця функція точно відображається на грошові втрати. (uk) 在最优化，统计学，计量经济学，决策论，机器学习和计算神经科学的领域中，损失函数或成本函数是指一种将一个事件（在一个样本空间中的一个元素）映射到一个表达与其事件相关的经济成本或机会成本的实数上的一种函数，借此直观表示的一些"成本"与事件的关联。一个最佳化問題的目标是将损失函数最小化。一个目标函数通常为一个损失函数的本身或者为其负值。当一个目标函数为损失函数的负值时，目标函数的值寻求最大化。 在统计学中，损失函数的作用是估计参数。 (zh) |
| dbo:wikiPageExternalLink | https://www.researchgate.net/publication/5216117%7Cdoi=10.1093/oxrep/16.4.43%7Ctitle=Making https://mpra.ub.uni-muenchen.de/47343/1/MPRA_paper_47343.pdf |
| dbo:wikiPageID | 442137 (xsd:integer) |
| dbo:wikiPageLength | 20223 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1124243515 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Cardinal_utility dbr:Bayesian_probability dbr:Bayesian_regret dbr:Quadratic_function dbr:Scoring_rule dbr:Mortality_rate dbr:Utility_function dbr:Variance dbr:Decision_rule dbr:Decision_theory dbr:Design_of_experiments dbr:L2_norm dbr:Continuous_function dbr:Mathematical_optimization dbr:Mean dbr:Median dbr:Estimator dbr:Norm_(mathematics) dbr:Ordinal_utility dbr:Outlier dbr:Safety_engineering dbr:Optimization_algorithm dbr:Morbidity dbc:Loss_functions dbr:Andranik_Tangian dbr:Location_parameter dbr:Statistics dbr:Closed-form_expression dbr:Density_estimation dbr:Function_space dbr:Risk_aversion dbr:Statistical_population dbr:Mean_integrated_squared_error dbr:W._Edwards_Deming dbr:Least_squares dbr:Linear_regression dbr:Linear-quadratic_regulator dbr:Abraham_Wald dbr:Actuarial_science dbr:Economics dbr:Expected_value dbr:Financial_risk_management dbr:Discounted_maximum_loss dbr:Absolute_deviation dbr:Probability_density_function dbr:First-order_condition dbr:Quadratic_form dbr:Regression_analysis dbr:Regret_(decision_theory) dbr:Harald_Cramér dbr:Hinge_loss dbr:Invariant_estimator dbc:Optimal_decisions dbr:Economic_cost dbr:Differentiable_function dbr:Pierre-Simon_Laplace dbr:I.i.d. dbr:Indicator_function dbr:Nassim_Nicholas_Taleb dbr:Optimal_control dbr:Optimization_problem dbr:Ragnar_Frisch dbr:Real_number dbr:Public_health dbr:Loss_functions_for_classification dbr:Mean_squared_error dbr:Minimax dbr:Statistical_risk dbr:Support_(measure_theory) dbr:Utility dbr:Stochastic_control dbr:Statistical_classification dbr:Statistic dbr:Event_(probability_theory) dbr:Fitness_function dbr:Probability_measure dbr:Risk_neutral dbr:Von_Neumann–Morgenstern_utility_function dbr:Squared_error_loss dbr:Frequentist dbr:Risk-loving dbr:Leonard_J._Savage dbr:Parameter_estimation dbr:Reward_function dbr:Profit_function dbr:Posterior_distribution dbr:T-test |
| dbp:wikiPageUsesTemplate | dbt:Cite_book dbt:Cite_journal dbt:Main dbt:Pi dbt:Reflist dbt:Short_description dbt:Statistics dbt:Differentiable_computing |
| dcterms:subject | dbc:Loss_functions dbc:Optimal_decisions |
| gold:hypernym | dbr:Function |
| rdf:type | yago:WikicatLossFunctions yago:WikicatOptimalDecisions yago:Abstraction100002137 yago:Act100030358 yago:Action100037396 yago:Choice100161243 yago:Decision100162632 yago:Event100029378 yago:Function113783816 yago:MathematicalRelation113783581 yago:PsychologicalFeature100023100 yago:Relation100031921 yago:YagoPermanentlyLocatedEntity dbo:Disease |
| rdfs:comment | Účelová funkce, cílová funkce, kriteriální funkce (anglicky objective function) je v úlohách matematické optimalizace ta funkce, jejíž hodnotu se podle druhu úlohy snažíme buď maximalizovat (např. zisk) nebo minimalizovat (např. dobu trvání cesty, spotřebu, délku cesty). V některých oborech a v případech, kdy se požaduje minimalizace účelové funkce, se používá také název nákladová funkce (anglicky cost function, loss function). (cs) Eine Verlustfunktion (engl. loss function) ist eine spezielle Funktion in der mathematischen Statistik und Teil eines statistischen Entscheidungsproblemes. Sie ordnet jeder Entscheidung in Form einer Punktschätzung, einer Bereichsschätzung oder eines Tests den Schaden zu, der durch eine vom wahren Parameter abweichende Entscheidung entsteht. Gemeinsam mit der Entscheidungsfunktion wird die Verlustfunktion zur Risikofunktion kombiniert, die den potentiellen Schaden bei Verwendung einer Entscheidungsfunktion angibt. (de) 통계학, 결정이론 및 경제학 분야에서 손실 함수(損失函數) 또는 비용 함수(費用函數)는 사건(기술적으로 표본 공간의 한 요소)을 그 사건과 관련된 경제적 손실을 표현하는 실수로 사상하는 함수이다. (ko) Функция потерь — функция, которая в теории статистических решений характеризует потери при неправильном принятии решений на основе наблюдаемых данных. Если решается задача оценки параметра сигнала на фоне помех, то функция потерь является мерой расхождения между истинным значением оцениваемого параметра и оценкой параметра. (ru) Na otimização matemática, estatística, teoria da decisão, aprendizado de máquina e neurociência computacional, uma função de perda ou função de custo é uma função que mapeia um evento ou valores de uma ou mais variáveis num número real intuitivamente representando algum "custo" associado ao evento. Um problema de otimização procura minimizar uma função de perda. Uma função objetivo é uma função de perda ou sua função negativa (às vezes chamada função de recompensa, função de lucro, função de utilidade, função de aptidão, etc.), neste caso, ela deve ser maximizada. (pt) 在最优化，统计学，计量经济学，决策论，机器学习和计算神经科学的领域中，损失函数或成本函数是指一种将一个事件（在一个样本空间中的一个元素）映射到一个表达与其事件相关的经济成本或机会成本的实数上的一种函数，借此直观表示的一些"成本"与事件的关联。一个最佳化問題的目标是将损失函数最小化。一个目标函数通常为一个损失函数的本身或者为其负值。当一个目标函数为损失函数的负值时，目标函数的值寻求最大化。 在统计学中，损失函数的作用是估计参数。 (zh) In mathematical optimization and decision theory, a loss function or cost function (sometimes also called an error function) is a function that maps an event or values of one or more variables onto a real number intuitively representing some "cost" associated with the event. An optimization problem seeks to minimize a loss function. An objective function is either a loss function or its opposite (in specific domains, variously called a reward function, a profit function, a utility function, a fitness function, etc.), in which case it is to be maximized. The loss function could include terms from several levels of the hierarchy. (en) En estadística, teoría de la decisión y economía, la función de pérdida es una función que relaciona un evento (técnicamente un elemento de un espacio de muestreo) con un número real que representa el coste económico asociado con el evento. Las funciones de pérdida en economía se expresan normalmente en términos monetarios. Por ejemplo: Son posibles otras medidas del coste, por ejemplo mortalidad o morbilidad en el campo de la salud pública o ingeniería de seguridad. donde k es una constante arbitraria. (es) Le terme fonction objectif ou fonction économique, est utilisé en optimisation mathématique et en recherche opérationnelle pour désigner une fonction qui sert de critère pour déterminer la meilleure solution à un problème d'optimisation. Elle associe une valeur à une instance d'un problème d'optimisation. Le but du problème d'optimisation est alors de minimiser ou de maximiser cette fonction jusqu'à l'optimum, par différents procédés comme l'algorithme du simplexe. Par exemple : (fr) Dalam optimisasi matematika dan teori keputusan, fungsi kerugian atau fungsi biaya (kadang-kadang juga disebut fungsi kesalahan) adalah fungsi yang memetakan suatu peristiwa atau nilai dari satu atau lebih variabel ke bilangan real secara intuitif mewakili beberapa "biaya" yang terkait dengan acara. Masalah optimasi berusaha untuk meminimalkan fungsi kerugian. Fungsi tujuan adalah fungsi kerugian atau negatifnya (dalam domain tertentu, sering disebut fungsi hadiah, fungsi keuntungan, fungsi utilitas, fungsi kebugaran, dll.), dalam hal ini harus dimaksimalkan. (in) In ottimizzazione matematica e nella teoria della decisione, una funzione obiettivo o funzione di costo o ancora funzione di perdita (calco dell'inglese loss function) è una funzione che mappa un evento, o valori di una o più variabili, su un numero reale intuitivamente rappresenta un "costo" associato all'evento. Un problema di ottimizzazione cerca di minimizzare una funzione di costo. Mentre la funzione di costo o di perdita indicano una funzione da minimizzare, la funzione obiettivo denota una funzione che può essere necessario massimizzare; si parla allora di funzione di rinforzo, funzione di utilità, , ecc...). (it) В математичній оптимізації, статистиці, теорії рішень та машинному навчанні фу́нкція втрат (англ. loss function) або фу́нкція витра́т (англ. cost function) — це функція, яка відображує подію, або значення однієї чи декількох величин, на дійсне число, яке інтуїтивно представляє якісь «витрати», пов'язані з цією подією. Задача оптимізації намагається функцію втрат мінімізувати. Цільова́ фу́нкція (англ. objective function) є або функцією втрат, або протилежною їй (яку іноді називають функцією винагороди, , функцією корисності, функцією допасованості тощо), в разі чого вона підлягає максимізації. (uk) |
| rdfs:label | Funció de pèrdua (ca) Účelová funkce (cs) Verlustfunktion (Statistik) (de) Función de pérdida (es) Fungsi kerugian (in) Fonction objectif (fr) Funzione obiettivo (it) Loss function (en) 손실 함수 (ko) Função de perda (pt) Функция потерь (ru) Функція втрат (uk) 损失函数 (zh) |
| owl:sameAs | freebase:Loss function yago-res:Loss function wikidata:Loss function http://ast.dbpedia.org/resource/Función_de_pérdida dbpedia-ca:Loss function dbpedia-cs:Loss function dbpedia-de:Loss function dbpedia-es:Loss function dbpedia-fa:Loss function dbpedia-fr:Loss function dbpedia-he:Loss function dbpedia-id:Loss function dbpedia-it:Loss function dbpedia-ko:Loss function dbpedia-ms:Loss function dbpedia-pt:Loss function dbpedia-ru:Loss function dbpedia-simple:Loss function http://su.dbpedia.org/resource/Loss_function dbpedia-uk:Loss function dbpedia-vi:Loss function dbpedia-zh:Loss function https://global.dbpedia.org/id/7mgZ |
| prov:wasDerivedFrom | wikipedia-en:Loss_function?oldid=1124243515&ns=0 |
| foaf:isPrimaryTopicOf | wikipedia-en:Loss_function |
| is dbo:wikiPageDisambiguates of | dbr:Loss |
| is dbo:wikiPageRedirects of | dbr:Quadratic_loss_function dbr:0-1_loss dbr:0-1_loss_function dbr:Objective_function dbr:Risk_function dbr:Squared_error_loss dbr:Criterion_function dbr:Loss_functions dbr:Stochastic_criterion_function dbr:Zero-one_loss dbr:Zero-one_loss_function |
| is dbo:wikiPageWikiLink of | dbr:Bayes_estimator dbr:Bayesian_inference dbr:Bellman_equation dbr:Probabilistic_classification dbr:Pseudo-range_multilateration dbr:Roland_William_Fleming dbr:Scoring_rule dbr:Energy_landscape dbr:Envy_minimization dbr:Minimax_estimator dbr:Neural_tangent_kernel dbr:Non-negative_matrix_factorization dbr:Rate–distortion_theory dbr:Bayesian_network dbr:Algebraic_Riccati_equation dbr:Bias_of_an_estimator dbr:List_of_metaphor-based_metaheuristics dbr:Vowpal_Wabbit dbr:Decision_rule dbr:Decision_theory dbr:Deep_learning_speech_synthesis dbr:Duncan's_new_multiple_range_test dbr:Early_stopping dbr:Intelligent_agent dbr:Inverse_consistency dbr:Limited-memory_BFGS dbr:Predictive_control_of_switching_power_converters dbr:Quickprop dbr:Point_estimation dbr:Search_game dbr:Wavefront_expansion_algorithm dbr:Quadratic_loss_function dbr:0-1_loss dbr:0-1_loss_function dbr:Mathematical_optimization dbr:Median dbr:Estimator dbr:Generalization_error dbr:Low-rank_approximation dbr:Online_machine_learning dbr:Quantile_regression dbr:Quantum_optimization_algorithms dbr:Energy_based_model dbr:Gene_expression_programming dbr:Glossary_of_artificial_intelligence dbr:Glossary_of_probability_and_statistics dbr:Goldilocks_principle dbr:Gradient_descent dbr:Graph_bandwidth dbr:Multi-task_learning dbr:N-body_problem dbr:Constrained_optimization dbr:Control_(optimal_control_theory) dbr:Convolutional_neural_network dbr:Creativity dbr:Cross-validation_(statistics) dbr:Statistical_inference dbr:Optimal_decision dbr:Objective_function dbr:Batch_normalization dbr:Leonard_Jimmie_Savage dbr:Line–line_intersection dbr:Machine_learning dbr:Stochastic_thermodynamics dbr:Comparison_gallery_of_image_scaling_algorithms dbr:Computer-automated_design dbr:Empirical_risk_minimization dbr:Hamiltonian_(control_theory) dbr:Hamilton–Jacobi–Bellman_equation dbr:Kernel_adaptive_filter dbr:Loss_aversion dbr:Mathematics_of_paper_folding dbr:Pattern_recognition dbr:Mathematical_statistics dbr:Multi-label_classification dbr:Backpropagation dbr:Adaptive_filter dbr:Admissible_decision_rule dbr:Torch_(machine_learning) dbr:Dragon_king_theory dbr:Cost_function dbr:K-trivial_set dbr:Learning_curve_(machine_learning) dbr:Learning_rate dbr:Learning_to_rank dbr:Least_mean_squares_filter dbr:Linear_bottleneck_assignment_problem dbr:Linear_classifier dbr:Linear_inequality dbr:Linear_regression dbr:Linear–quadratic_regulator dbr:Data_assimilation dbr:Dynamic_programming dbr:Existential_risk_from_artificial_general_intelligence dbr:Fairness_(machine_learning) dbr:Brier_score dbr:Caustic_(optics) dbr:Checking_whether_a_coin_is_fair dbr:Flow-based_generative_model dbr:Gradient_boosting dbr:Iterative_reconstruction dbr:Knowledge_distillation dbr:Lehmann–Scheffé_theorem dbr:Stochastic_gradient_descent dbr:Quadratic_assignment_problem dbr:Rao–Blackwell_theorem dbr:Recursive_least_squares_filter dbr:Regret_(decision_theory) dbr:Robust_regression dbr:Guided_filter dbr:Hinge_loss dbr:Invariant_estimator dbr:Counterexample dbr:TensorFlow dbr:Hyperparameter_(machine_learning) dbr:Hyperparameter_optimization dbr:Visual_odometry dbr:Risk_function dbr:Artificial_neural_network dbr:Leave-one-out_error dbr:Biogeography-based_optimization dbr:Block-matching_algorithm dbr:Sum-of-squares_optimization dbr:Support_vector_machine dbr:Coal_blending dbr:Efficiency_(statistics) dbr:Hessian_matrix dbr:Tournament_selection dbr:Assignment_problem dbr:Bootstrapping_(statistics) dbr:Point-set_registration dbr:Huber_loss dbr:Kullback–Leibler_divergence dbr:Minimum_mean_square_error dbr:Broyden–Fletcher–Goldfarb–Shanno_algorithm dbr:Optimization_problem dbr:Ordinal_regression dbr:Mathematical_model dbr:Maximum_a_posteriori_estimation dbr:Mean_squared_error dbr:Minimax dbr:Monotone_likelihood_ratio dbr:Risk dbr:Signed_distance_function dbr:Statistical_risk dbr:Multidimensional_scaling dbr:Seriation_(statistics) dbr:Neural_gas dbr:Expected_loss dbr:Expected_utility_hypothesis dbr:Expected_value_of_including_uncertainty dbr:Imperialist_competitive_algorithm dbr:Importance_sampling dbr:List_of_statistics_articles dbr:List_of_things_named_after_Thomas_Bayes dbr:Loss dbr:Statistical_learning_theory dbr:Taguchi_loss_function dbr:Evolutionary_algorithm dbr:Evolutionary_computation dbr:Fitness_function dbr:Manifold_alignment dbr:Manifold_regularization dbr:Ranking_SVM dbr:Multi-objective_optimization dbr:Multidimensional_assignment_problem dbr:Multiplier_uncertainty dbr:Witsenhausen's_counterexample dbr:Self-supervised_learning dbr:Seq2seq dbr:Taguchi_methods dbr:Weighted_constraint_satisfaction_problem dbr:Outline_of_machine_learning dbr:Outline_of_statistics dbr:PIDO dbr:Stress_majorization dbr:Random_sample_consensus dbr:Randomised_decision_rule dbr:Supervised_learning dbr:Triplet_loss dbr:Structured_sparsity_regularization dbr:Squared_error_loss dbr:Criterion_function dbr:Loss_functions dbr:Stochastic_criterion_function dbr:Zero-one_loss dbr:Zero-one_loss_function |
| is owl:differentFrom of | dbr:Error_function |
| is foaf:primaryTopic of | wikipedia-en:Loss_function |