मेरी राय में, यह व्यक्तिपरक और समस्या विशिष्ट है। ड्राइविंग मीट्रिक के रूप में आपके दिमाग में जो भी सबसे महत्वपूर्ण कारक है, आपको उसका उपयोग करना चाहिए, क्योंकि इससे मॉडल को बेहतर तरीके से बदलने के बारे में आपके निर्णय हो सकते हैं।
एल1
उदाहरण के लिए, यदि आप अपनी रिपोर्ट में / अपने बॉस को एफ 1-स्कोर की रिपोर्ट करेंगे (और यह मानते हुए कि वे वास्तव में किस चीज की परवाह करते हैं), तो उस मीट्रिक का उपयोग करना सबसे अधिक समझ में आता है। उदाहरण के लिए, एफ-स्कोर, सटीक लेता है और ध्यान में रखता है अर्थात यह दो और महीन-महीन मैट्रिक्स के बीच संबंध का वर्णन करता है ।
उन चीजों को एक साथ लाना, सामान्य नुकसान के अलावा अन्य कंप्यूटिंग अंकों का अवलोकन के लिए अच्छा हो सकता है और यह देखने के लिए कि प्रशिक्षण पुनरावृत्तियों के दौरान आपकी अंतिम मीट्रिक को कैसे अनुकूलित किया जाता है। यह रिश्ता शायद आपको समस्या की गहरी जानकारी दे सकता है,
यह आमतौर पर कई विकल्पों को आज़माने के लिए सबसे अच्छा है, हालांकि, सत्यापन के नुकसान के लिए अनुकूलन प्रशिक्षण को लंबे समय तक चलाने की अनुमति दे सकता है, जो अंततः एक बेहतर एफ 1-स्कोर भी पैदा कर सकता है । सटीक और याद कुछ स्थानीय मिनीमा के चारों ओर बोलबाला हो सकता है, लगभग एक स्थिर एफ 1-स्कोर का निर्माण होता है - इसलिए आप प्रशिक्षण बंद कर देंगे। यदि आप शुद्ध नुकसान के लिए अनुकूलन कर रहे थे, तो आप नुकसान में पर्याप्त उतार-चढ़ाव दर्ज कर सकते थे ताकि आप अधिक समय तक प्रशिक्षण कर सकें।
cross_entropyनुकसानMSEया की तुलना में अधिक बेहतर उम्मीदवार हैMAE। इस लेख के रैप-अप सेक्शन की जाँच करें , और यह पोस्ट आँकड़ों पर ।