باختصار
Loss Curve (منحنى الخسارة) رسم بياني للخسارة كدالّة في عدد دورات التدريب (Iterations). أبسط أداة تشوف بيها التدريب ماشي صح ولا لأ.
بالتفصيل
الخسارة (Loss) رقم بيقيس قد إيه توقّعات النموذج بعيدة عن الحقيقة. التدريب كله هدفه يقلّل الرقم ده. فلما ترسمه مع الوقت، بتشوف القصّة كلها.
حسب مسرد Google، منحنيات الخسارة بتساعدك تحدّد إمتى النموذج:
- بيتقارب (Converging): الخسارة نزلت وبدأت تستقرّ، والتدريب الزيادة مش هيفيد كتير.
- بيعمل Overfitting (فرط التخصيص): بيحفظ بيانات التدريب بدل ما يتعلّم قاعدة عامة.
وممكن ترسم تلات أنواع من الخسارة: خسارة التدريب (Training Loss)، وخسارة التحقّق (Validation Loss)، وخسارة الاختبار (Test Loss).
مثال عملي
أشهر طريقة لقراية المنحنى: ارسم خسارة التدريب وخسارة التحقّق على نفس الرسم. المسرد بيسمّي الرسم ده Generalization Curve (منحنى التعميم)، وبيقول إنه بيساعدك تكتشف فرط التخصيص: لو خسارة التحقّق بقت في الآخر أعلى بكتير من خسارة التدريب، فده مؤشّر عليه.
- الاتنين بينزلوا مع بعض: النموذج بيتعلّم صح.
- خسارة التدريب بتكمّل نزول، وخسارة التحقّق بتبعد عنها لفوق: النموذج غالبًا بدأ يحفظ بيانات التدريب.
عوّد نفسك تبصّ على المنحنى قبل ما تبصّ على أي رقم نهائي.
مصطلحات مرتبطة
- Loss Function — دالّة الخسارة.
- Overfitting — فرط التخصيص.
- Validation Set — مجموعة التحقّق.
- Generalization Curve — منحنى التعميم.
المصادر: Google ML Glossary
