Прошло некоторое время с тех пор, как я начал изучать Data Science на Python, я научился писать скрипты на python (не с легкостью, со временем, с практикой). Я все время слышу об этой функции затрат и оптимизации функции затрат. Честно говоря, мне это пока не понадобилось, может и вам тоже. Вы даже можете начать строить модели, даже не зная о функции затрат. Если вы новичок, надеюсь, скоро я напишу блог о построении моделей в ML. Но не повредит иметь представление (или) своего рода обзор того, что такое функция затрат и что она делает.

Итак, предположим, что вы обучаете модель машинного обучения на некотором наборе данных.

пусть «X» обозначает {} функций / переменных, «Y» обозначает прогнозируемую переменную / результат.

Наука о данных - это не что иное, как развитие статистической взаимосвязи между функциями и предсказателями.

По сути, мы создаем функцию "f", где

f(X) =Y

f (X) вполне может быть mX + c (или) чем-то еще ... в качестве примера давайте предположим, что оно имеет форму mX + c ... и так обстоит дело с линейной регрессией.

для моделей линейной регрессии f (X) = m (X) + c

Функция стоимости появляется на картинке при определении наилучшего f (x). Здесь {m, c} называются параметрами. Каждая разрабатываемая вами статистическая модель будет иметь свой собственный набор параметров. Функция затрат поможет вам найти правильный набор {m, c} для построения вашей функции, которая сделает ваши прогнозы позже.

Статистическое уравнение выглядит следующим образом:

где ’n’ - длина или len (X), то есть… количество строк в обучающих данных.

Для линейной регрессии функция стоимости по существу вычисляет ошибку (или) квадратичную ошибку.

Оптимизация функции затрат - это не что иное, как минимизация ошибок.

ПРИМЕЧАНИЕ: ради статьи мы рассматривали типичный случай линейной регрессии, для других моделей функция стоимости будет другой, но идеология остается той же.

Функция затрат - это функция параметров, мы бы оптимизировали функцию затрат, чтобы найти лучший набор параметров, и ваша модель связывает функции с предикторами с помощью этих параметров (весов / коэффициентов) в вашем f (x).