Error Calculation

Komprende oinsá atu sukat no minimiza erro iha Machine Learning

Erro mak diferença entre output model (ŷ) ho valor real (y). Objetivu prinsipal: minimiza erro atu model bele predíz ho di'ak.

Tipu Error iha Machine Learning

Loss functions ne'ebé uza atu sukat model nia desempeñu

Mean Absolute Error (MAE)

MAE = (1/n) Σ |y - ŷ|

Kalkula média husi erro absolutu. La sensivel ba outlier.

Problema: Gradiente la kontinuu iha zero, dificulta otimizasaun.

Mean Squared Error (MSE)

MSE = (1/n) Σ (y - ŷ)²

Kuadradu diferensa, penaliza erro boot liu.

Problema: Sensitivu tebes ba outlier (dadus ekstrimu).

RMSE

RMSE = √(MSE)

Interpretasaun iha unidade hanesan ho target.

Cross-Entropy

CE = -Σ y log(ŷ)

Uza ba klasifikasaun, kompara distribuisaun probabilidade.

Hinge Loss

HL = max(0, 1 - y·ŷ)

Uza ba SVM, klasifikasaun binária.

Huber Loss

Kombina MAE ho MSE

Solusaun ba problema outlier: MAE ba erro boot, MSE ba erro ki'ik.

Problema Error no Solusaun Backpropagation

Oinsá backpropagation ajuda minimiza erro

Problema Error

Vanishing Gradient

Gradiente sai ki'ik tebes durante backpropagation, layer anterior la aprende.

Solusaun: Uza ReLU activation, batch normalization.

Exploding Gradient

Gradiente sai boot tebes, peso instavel.

Solusaun: Gradient clipping, reduz learning rate.

Overfitting

Erro treinu ki'ik maibé erro test boot.

Solusaun: Regularizasaon L1/L2, dropout, early stopping.

Local Minima

Gradient descent hetan minimum lokal, la to'o global.

Solusaun: Momentum, Adam optimizer, learning rate scheduling.

Solusaun Backpropagation

Forward Pass

Input > Layer > Output. Kalkula output model.

                                        z = w·x + b

                                        a = activation(z)

                                        ŷ = a_output

Kalkula Erro (Loss)

Uza loss function atu sukat diferença.

Loss = MSE(ŷ, y) = ½(ŷ - y)²

Kalkula Gradiente (Backward)

Derivada husi loss relasaun ba peso.

∂L/∂w = (∂L/∂ŷ) · (∂ŷ/∂z) · (∂z/∂w)

Atualiza Peso

w = w - η · ∂L/∂w

η = learning rate (ex: 0.01)

Itera to'o Converge

Repete passu 1-4 ba epoch barak to'o erro mínimu.

Simulador Error Interativu

Prátika kalkula erro no haree backpropagation nia efeitu

Konfigurasaun

Peso Inicial (w)

0 0.5 2

Learning Rate (η)

0.01 0.10 0.50

Target (y_true)

Input (x)

Resultadu

Fórmula: output = w × x

Loss (MSE) = ½(target - output)²

                                > Simulador pronto.

                                Ajusta parâmetru no klik "Kalkula Erro"

Informasaun:

MSE boot > model presiza ajustamentu. Backpropagation atu atualiza peso hodi redús erro. Gradiente: ∂L/∂w = -(target - output) × x

MSE Tun

Erro tun signifika model aprende

Gradiente

Indika direksaun atu ajusta peso

Iterasaun

Repete to'o konvergénsia

ML Error Calculator