La perte de Hamming est une métrique utilisée pour évaluer la performance de apprentissage automatique models, particularly in la classification multi-étiquette tasks. It quantifies the number of incorrect labels predicted by a model compared to the true labels. The Hamming Loss is calculated as the average fraction of incorrect labels over all instances in the dataset.
Pour calculer la perte de Hamming, les étapes suivantes sont généralement suivies :
- Pour chaque instance, comparer les étiquettes prédites aux vraies étiquettes.
- Compter le nombre d'étiquettes incorrectement prédites.
- Additionner ces comptes pour toutes les instances.
- Diviser le nombre total de prédictions incorrectes par le nombre total d'étiquettes sur toutes les instances.
The resulting value will range from 0 to 1, where 0 indicates perfect predictions (no incorrect labels) and 1 indicates that all predictions are incorrect. It is particularly useful in scenarios where multiple labels can apply to a single instance, such as image l'étiquetage ou la catégorisation de texte.
La perte de Hamming est avantageuse car elle offre une compréhension intuitive de performance du modèle in multi-label settings, allowing for direct comparisons between models. However, it may not account for the varying importance of different labels, which could be a consideration in some applications.