Saltar al contenido principal
Library homepage
 
LibreTexts Español

6.2: Funciones de Pérdida

  • Page ID
    51024
  • This page is a draft and is under active development. 

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Consideramos que estamos trabajando con aprendizaje supervisado, en el que se dispone de datos de referencia de entrada y salida, y nuestro objetivo es entrenar una red para que aprenda a realizar el mapeo entre ambos conjuntos. Las funciones de pérdica, funciones de coste, o funciones de eror, determinan cómo cuantificamos las diferencias entre las salidad de la red neuronal (estimaciones de los valores) que denominaremos (p), y las medidas de referencia (y). El entrenamiento de la red consistirá en la minimización de esta función.

    Existen muchas posibles formas de definir esta función de pérdida, pero es importante seleccionar la más apropiada para cada problema, en función del tipo de datos, el problema que estemos afrontando (clasificiación, regresión...) así como el tipo de error estadístico que puedan tener nuestras medidas. Una adecuada selección de la función de pérdida es fundamental para obtener una correcta solución.

    Un listado completo de las funciones de pérdida se puede consultar en referencias como "Loss Functions".  Algunas de las funciones de pérdida más comunes son:

    • Error Cuadrático Medio - (MSE) - ||y-p||2   Corresponde a la norma L2 de la diferencia entre medidas y estimaciones. Generalmente válido con errores de tipo Gaussiano. 
    • Error Absoluto Medio (MAE) -  ||y-p||1   Corresponde a la norma L1 de la diferencia entre medidas y estimaciones. Es mejor cuando puede haber algunos datos medidos (outliers) que se puedan desviar mucho del valor esperado, y que pueden introducir un sesgo importante en los resultados. Esa robustez lo hace especialmente útil en situaciones en las que no se dispone de información sobre el tipo de ruido de los datos. El hecho de que el valor absoluto no sea diferenciable en el origen se soluciona haciendo aproximaciones numéricas en ese punto. 

    This page titled 6.2: Funciones de Pérdida is shared under a not declared license and was authored, remixed, and/or curated by Joaquín López Herraiz.