\u00d6nceki yaz\u0131m\u0131zda regresyon i\u00e7in asl\u0131nda lost fonksiyonlar\u0131ndan bahsetmi\u015ftik, \u015fimdi s\u0131rada classification var.<\/p>\n
Burada ama\u00e7 bir say\u0131y\u0131 tahmin etmek de\u011fil bir s\u0131n\u0131f\u0131 tahmin etmek olacak. En yayg\u0131n classification loss fonksiyonlar\u0131 \u015funlar:<\/p>\n
\u0130kili s\u0131n\u0131fland\u0131rma problemlerinde kullan\u0131l\u0131r, kedi mi k\u00f6pek mi yada spam m\u0131 de\u011fil mi gibi. Model \u00e7\u0131kt\u0131s\u0131 genellikle Sigmoid aktivasyonundan gelir ve o ile 1 aras\u0131nda bir olas\u0131l\u0131k \u00fcretir.<\/p>\n
Birden fazla s\u0131n\u0131f oldu\u011funda kullan\u0131l\u0131r.
\n\u00d6rne\u011fin: Kedi, K\u00f6pek, Ku\u015f aras\u0131nda karar vermek istenildi\u011finde 0.1 Kedi, 0.8 K\u00f6pek, 0.1 Ku\u015f diyebilir ve cevap K\u00f6pek olur.<\/p>\n","protected":false},"excerpt":{"rendered":"
\u00d6nceki yaz\u0131m\u0131zda regresyon i\u00e7in asl\u0131nda lost fonksiyonlar\u0131ndan bahsetmi\u015ftik, \u015fimdi s\u0131rada classification var. Burada ama\u00e7 bir say\u0131y\u0131 tahmin etmek de\u011fil bir s\u0131n\u0131f\u0131 tahmin etmek olacak. En…<\/p>\n