
Wat is een Loss Function?
Een loss function (ook wel kostenfunctie of doelfunctie genoemd) is een wiskundige functie die meet hoe ver de voorspellingen van een model afliggen van de daadwerkelijke doelwaarden. Het is het "rapportcijfer" van het model — hoe lager de loss, hoe beter het model presteert. Het hele trainingsproces draait om het minimaliseren van deze functie.
Waarom het ertoe doet
De loss function bepaalt letterlijk wat een model leert. Kies je de verkeerde loss function, dan optimaliseert het model voor het verkeerde doel. Het is een van de belangrijkste ontwerpkeuzes in machine learning — en foute keuzes leiden tot modellen die technisch "goed" trainen maar in de praktijk nutteloos zijn.
Hoe het werkt
Veelgebruikte loss functions:
Voor regressie (continue waarden voorspellen):
- MSE (Mean Squared Error) — gemiddelde van gekwadrateerde fouten. Bestraft grote fouten zwaar.
- MAE (Mean Absolute Error) — gemiddelde van absolute fouten. Robuuster tegen uitschieters.
Voor classificatie (categorieën voorspellen):
- Cross-Entropy Loss — meet het verschil tussen de voorspelde kansverdeling en de werkelijke verdeling. De standaard voor classificatie.
- Binary Cross-Entropy — voor twee klassen (spam/geen spam)