Der 0-1-Loss. Ordnet das Modell den Datenpunkt zu der richtigen Klasse zu, so ist der Fehler 0. Entscheidet sich das Modell für die falsche Klasse, so ist der Fehler bei 1. Dieser Verlust unterscheidet jedoch nicht, ob sich das Modell zu 95% sicher ist oder nur zu 55%. #loss

Bei der Klassifikation ist der Output kein stetiger Wert, sondern die Wahrscheinlichkeit für eine Klasse. Hierfür wird die Berechnung des Losses die margin benötigt. Diese beschreibt, wie sicher sich das Modell bei der Prediction war. #marginloss #classification #teachhood

Hier seht ihr die wichtigsten Verlustfunktionen der Klassifikation aufgelistet. In den nächsten Beiträgen werden wir euch diese genauer vorstellen. #loss #lossfunctions #verlustfunktionen #klassifikation #classification #informatik #machinelearningtraining #machinelearning

Hier mal ein Einblick, wie unsere Drehtage ablaufen☺️ Folgt uns gerne auf Tiktok für noch mehr behind the scenes content😁 #teachhood #drehtag #filmingday #teachinglife #couching #coucherlife #behindthescences #artificialintelligence #machinelearning

Die letzte Verlustfunktion der Regression ist der Huber-Loss. Dieser kombiniert die Vorteile vom L2- und L1-Loss. Zuerst steigt er quadratisch an und ab einem bestimmten Schwellenwert nur noch linear. Starke Ausreißer bekommen somit nicht mehr einen zu extremen Fehler. #loss

Ein weiterer Loss, der bei der Regression zum Einsatz kommt ist der L1-Loss oder absoluter Fehler. Hier werden Ausreißer nicht so stark bestraft, da der Fehler nicht quadriert wird. Ein Nachteil ist, dass der Loss an der Stelle 0 nicht differenzierbar ist. #l1loss #datascience

L2-Loss / Mean Squared Error Hier wird der Fehler quadriert, was dazu führt, dass bereits sehr hohe Werte nochmals viel größer gemacht werden. Ausreißer im Datensatz werden sehr stark bestraft, was zu Verzerrungen führen kann. Außerdem ist der L2-Loss überall differenzierbar.

Behind the scenes von unserem heutigen Drehtag! Schaut gerne auch auf unseren Tiktok Account vorbei unter teachhood und zu unseren Kurs kommt ihr mit folgendem Link! udemy.com/course/maschinelle… #machinelearning #behindthescences #udemycourse #udemy #ecourse #onlinecourse #online

Loss functions of regression 💡 #regression #teachhood #teachinglife #loss #lossfunction #machinelearningalgorithm #machinelearning #maschinelleslernen #course

Loss functions in Machine Learning 💡 #machinelearning #lossfunction #loss #artificialintelligence #maschinelleslernen #teachhood

Here are a few of the most important frameworks for machine learning/deep learning you are going to need. #frameworks #python #pythonframeworks #pythonprogramming #framework #deeplearning #machinelearning

Our workplace with rubikscubes😍 #rubikscube #cuber #startup #startupworkplace #workplace #teachhood

Holdout Splitting in Python with Scikit-learn 👩🏽‍💻 #teachhood #holdoutsplitting #traintest #scikitlearn #traintestsplit #machinelearning #machinelearningalgorithm #python

Do you know what‘s holdout splitting?🤔 Here is a short definition for you! ☺️ #holdoutsplitting #artificialintelligence #machinelearning #maschinelleslernen #teachhood

Our website is online! ☺️ teachhood.com teachhood.de #website #teachhood #html #css #websitedesign #machinelearning #course #udemycourse #ecourse #elearning #websitedesigner

Ihr wollt mehr über Machine Learning lernen? Mit folgendem Link bekommt ihr unseren 16 Stunden Kurs für 12,99€ ☺️ udemy.com/course/maschinelle… #udemycourse #udemy #onlinecourse #machinelearningcourse #ecourse #machinelearning #maschinelleslernen #udemycoupon

Read in data with pandas . . #pandas #python #data #datascience #machinelearning #datapython

What are decision doundaries? 🤔 . . #decisionboundary #classification #classificationproblem #learning #machinelearningalgorithm #supervised #semisupervisedlearning #data #teachhood