Sommaire

Les fonctions de perte (Loss function)

Là encore, ce terme vous deviendra vite familier au fur et à mesure de vos diverses expérimentations avec les réseaux de neurones.

Une fonction de perte, ou Loss function, est une fonction qui évalue l’écart entre les prédictions réalisées par le réseau de neurones et les valeurs réelles des observations utilisées pendant l’apprentissage. Plus le résultat de cette fonction est minimisé, plus le réseau de neurones est performant. Sa minimisation, c’est-à-dire réduire au minimum l’écart entre la valeur prédite et la valeur réelle pour une observation donnée, se fait en ajustant les différents poids du réseau de neurones.

1. L’ Erreur:linéaireerreur linéaire ou Erreur:localeerreur locale

Comme nous venons de l’indiquer, l’erreur d’apprentissage, appelée aussi erreur locale, se calcule en réalisant la différence entre la valeur réelle à prédire et la valeur prédite par le neurone artificiel.

Erreur = Prediction_reelle - Prediction_realisee

C’est cette erreur que nous chercherons à minimiser au fur et à mesure des apprentissages.

Cette erreur peut être qualifiée d’erreur locale, car elle se focalise sur une observation donnée en comparant la valeur réelle et sa valeur prédite.

2. Erreur:moyenne quadratique ...