La pérdida Log-Cosh es una función de pérdida commonly used in regression problems within the field of aprendizaje automático. It is particularly appreciated for its smoothness, which makes it less sensitive to outliers compared to traditional funciones de pérdida like Error cuadrático medio (MSE) and Error Absoluto Medio (MAE).
La pérdida Log-Cosh se define matemáticamente como el logaritmo del coseno hiperbólico del error de predicción. Específicamente, puede expresarse como:
Log-Cosh(y, ŷ) = Σ log(cosh(ŷ - y))
Donde:
- y es el valor real.
- ŷ es el valor predicho.
A diferencia del MSE, que eleva al cuadrado el error, la pérdida Log-Cosh no penaliza excesivamente los errores mayores, proporcionando así un enfoque más equilibrado para entrenar modelos. Esta característica le permite comportarse como MSE cuando el error es pequeño, pero cambia a comportarse como MAE cuando el error es mayor, combinando efectivamente las fortalezas de ambas funciones de pérdida.
Log-Cosh Loss is particularly useful in scenarios where robustness to outliers is desired, making it a popular choice for various regression tasks in machine learning applications, such as predicting real estate prices or stock market trends. Its smooth gradient also facilitates optimization during the training phase, leading to potentially faster convergence of learning algorithms.