La perte Log-Cosh est une fonction de perte commonly used in regression problems within the field of apprentissage automatique. It is particularly appreciated for its smoothness, which makes it less sensitive to outliers compared to traditional des fonctions de perte like Erreur quadratique moyenne (MSE) and Erreur Absolue Moyenne (MAE).
La perte Log-Cosh est définie mathématiquement comme le logarithme du cosinus hyperbolique de l'erreur de prédiction. Plus précisément, elle peut s'exprimer comme :
Log-Cosh(y, ŷ) = Σ log(cosh(ŷ - y))
Où :
- y est la valeur réelle.
- ŷ est la valeur prédite.
Contrairement à la MSE, qui élève l'erreur au carré, la perte Log-Cosh ne pénalise pas excessivement les erreurs plus importantes, offrant ainsi une approche plus équilibrée pour l'entraînement des modèles. Cette caractéristique lui permet de se comporter comme la MSE lorsque l'erreur est petite, mais de passer à un comportement similaire à celui de la MAE lorsque l'erreur est plus grande, combinant ainsi les avantages des deux fonctions de perte.
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.