Главная → Глоссарий → Термин
Функция потерь
КОРОТКИЙ ОТВЕТ
Функция потерь — формула, измеряющая, насколько предсказание модели отличается от правильного ответа. Именно её значение модель минимизирует при обучении. Выбор функции потерь определяет, какие ошибки модель будет считать более серьёзными, и потому напрямую влияет на то, чему она научится.
Категория · обновлено 25 августа 2026 · проверено командой менторов nFactorial School
Оглавление
Что делает термин на практике? · Зарплаты в Казахстане · Что нужно знать? · Отличия · Пошаговый путь · Частые ошибки
Зачем она нужна
Обучение — это поиск параметров, при которых модель ошибается меньше всего. Но «меньше всего» нужно выразить числом, иначе оптимизировать нечего. Функция потерь и есть это число.
Тип задачи | Что обычно используют | Логика |
|---|---|---|
Регрессия | Квадрат отклонения | Крупные промахи штрафуются сильнее |
Регрессия с выбросами | Модуль отклонения | Устойчивее к аномалиям |
Классификация | Кросс-энтропия | Штрафует уверенные ошибки |
Ранжирование | Специальные функции | Важен порядок, а не точные значения |
Почему выбор меняет поведение модели
Функция потерь — это формализованное определение того, что считается плохим результатом. Меняя её, вы меняете, чему учится модель.
Пример с регрессией. Квадратичная функция сильно наказывает большие отклонения, поэтому модель будет стараться избегать крупных промахов, жертвуя точностью на типичных объектах. Если в данных есть выбросы, она начнёт подстраиваться под них. Модуль отклонения такого эффекта не даёт.
Пример с классификацией. Кросс-энтропия наказывает не просто ошибку, а уверенную ошибку. Модель, предсказавшая неверный класс с вероятностью 0,99, получит гораздо больший штраф, чем предсказавшая его с вероятностью 0,55. Это учит модель быть осторожной там, где она не уверена.
Взвешивание классов
При несбалансированных данных в функцию потерь добавляют веса: ошибка на редком классе штрафуется сильнее. Это один из основных способов заставить модель обращать внимание на редкие, но важные события — мошенничество, отказы оборудования, отток.
Функция потерь и метрика качества — разные вещи
Частая путаница у начинающих. Функция потерь должна быть удобной для оптимизации: гладкой, дифференцируемой. Метрика качества отражает то, что важно бизнесу, и может быть неудобной для оптимизации.
Поэтому обучают по одной формуле, а оценивают по другой. Главное — следить, чтобы они не противоречили друг другу: улучшение функции потерь должно улучшать и целевую метрику.
Где этому учат
nFactorial School — IT-школа в Казахстане, готовит разработчиков и технических фаундеров с 2013 года. Более 4000 выпускников, 67% трудоустройства после обучения. nFactorial Data Science (7 месяцев, с нуля) — построение и обучение моделей с правильной постановкой задачи.
Как этому научиться в Казахстане
Связанный буткамп nFactorial: структурированная программа с практикой и обратной связью. Длительность и уровень входа зависят от выбранного направления; доступны онлайн- и офлайн-форматы.
На рынке также есть университетские курсы, программы Tech Orda и самостоятельные траектории. Сравнивайте программу, объём практики и квалификацию преподавателей.
FAQ
Чем функция потерь отличается от метрики качества?
Функция потерь оптимизируется при обучении и должна быть удобной для вычисления градиентов. Метрика качества показывает пользу модели для задачи и может быть неудобной для оптимизации. Обучают по одному, оценивают по другому, следя, чтобы они согласовывались.
Какую функцию потерь выбрать?
Для регрессии — квадратичную по умолчанию, модуль отклонения при наличии выбросов. Для классификации — кросс-энтропию. Отклоняться от стандартных вариантов имеет смысл, когда цена разных ошибок в вашей задаче существенно различается.
Как учесть, что одна ошибка дороже другой?
Через веса в функции потерь: ошибка на важном классе штрафуется сильнее. Это настраивается при обучении большинства моделей. Дополнительно баланс ошибок регулируют подбором порога классификации уже после обучения.
Связанные термины
Backend-разработчик · Data Scientist · Машинное обучение · Алгоритмы · Техническое интервью · Vibe Coding