Perda Log-Cosh é uma função de perda commonly used in regression problems within the field of aprendizado de máquina. It is particularly appreciated for its smoothness, which makes it less sensitive to outliers compared to traditional funções de perda like Erro Quadrático Médio (MSE) and Erro Médio Absoluto (MAE).
A Perda Log-Cosh é definida matematicamente como o logaritmo do cosseno hiperbólico do erro de previsão. Especificamente, pode ser expressa como:
Log-Cosh(y, ŷ) = Σ log(cosh(ŷ - y))
Onde:
- y é o valor verdadeiro.
- ŷ é o valor previsto.
Ao contrário do MSE, que eleva ao quadrado o erro, a Perda Log-Cosh não penaliza excessivamente erros maiores, proporcionando uma abordagem mais equilibrada para treinar modelos. Essa característica permite que ela se comporte como MSE quando o erro é pequeno, mas transita para se comportar como MAE quando o erro é maior, combinando efetivamente as vantagens de ambas as funções de perda.
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.