Tham số giống như gen di truyền của một mô hình học máy. Sau khi mô hình “học xong”, các tham số này sẽ quyết định nó xử lý thông tin ra sao — giống như cách bạn chọn giữa trà sữa trân châu hay matcha latte vậy!
Hàm mất mát giống như thầy giáo khó tính chuyên chấm điểm mô hình của bạn.
Mỗi lần mô hình dự đoán sai, “thầy” sẽ trừ điểm đau đớn – càng sai càng đau!
Nói một cách nghiêm túc hơn:
👉 Hàm mất mát đo lường mức độ sai lệch giữa đầu ra dự đoán và giá trị thật.
👉 Trong quá trình huấn luyện, mô hình sẽ cố gắng tối thiểu hóa hàm mất mát, để trở nên thông minh hơn sau mỗi lần bị “mắng”.
🧮 Một số loại hình “phạt” quen thuộc
1. 🔢 Hồi quy – Dự đoán số (Regression)
Giống như bạn đoán giá nhà, đoán tuổi người yêu,… đoán sai là ăn đòn.
- MSE (Mean Squared Error)
👉 Phạt nặng với sai số lớn. Sai 10 thì ăn phạt tới 100! 😬 - MAE (Mean Absolute Error)
👉 Phạt đều tay, sai bao nhiêu phạt bấy nhiêu. Bớt drama hơn MSE.
2. ✅ Phân loại – Chọn đúng nhãn (Classification)
Giống như chơi Ai Là Triệu Phú – chọn sai thì… mất trắng.
- Binary Cross-Entropy (2 lớp: đúng/sai)
![\text{Loss} = -[y \log(\hat{y}) + (1 - y) \log(1 - \hat{y})]](https://ksmls.org/wp-content/ql-cache/quicklatex.com-aec36feaddec0fa3aae90418fe22568d_l3.png "Rendered by QuickLaTeX.com")
👉 Rất nghiêm khắc với những dự đoán sai chắc nịch. - Categorical Cross-Entropy (Nhiều lớp: mèo, chó, vịt…)
👉 Đoán mèo thành vịt là mất điểm ngay lập tức.
3. 🧪 Tự chế (Custom Loss)
Dành cho dân chơi hệ nâng cao – không chỉ đúng mà còn đẹp!
Bạn có thể tự pha chế “công thức phạt” riêng, như:
- Phạt sai số + phạt rung lắc + phạt chậm trễ,…
- Thường dùng trong deep learning hoặc bài toán đặc biệt.
🔍 Vậy chọn hàm mất mát nào?
Tuỳ bài toán:
- Dự đoán số: dùng MSE hoặc MAE
- Phân loại: dùng Cross-Entropy
- Đặc biệt: chế riêng cho “độc – lạ – chất”
👉 Mục tiêu cuối cùng vẫn là: giảm loss, để mô hình ít ngốc – nhiều thông minh hơn mỗi ngày!