Waarom is dit belangrijk?
Pas als een model het verlies kan meten, leert het tijdens het oefenen welke kleine aanpassing een betere uitkomst geeft. In de zorg sturen onderzoekers daarmee systemen die in ziekenhuizen scans en patiëntgegevens beoordelen, zoals bij het herkennen van ziektebeelden. Foutieve labels, bijvoorbeeld doordat artsen verschillend oordelen, kunnen het verlies de verkeerde kant op sturen en een uitslag voor patiënten minder betrouwbaar maken.
Zo werkt het in de praktijk
In de documentatie van het project scikit-learn staat een voorbeeld uit netwerkbeheer. Een model gebruikt daar pinball-verlies voor de voorspelling van een hoge storingsduur per dag. Bij regressie komt kwadratisch verlies veel voor, en bij classificatie het 0-1-verlies.
Statistici onderzoeken welk verlies bij een schatting hoort. Het gemiddelde past bij kwadratisch verlies en de mediaan bij absoluut verlies. Het verwachte verlies volgt uit de data of uit een vooraf gekozen kans.
Scikit-learn koppelt het verlies aan de keuze van een model. Dezelfde score geldt bij het trainen en bij het vergelijken van modellen. Dat gebeurt met kruisvalidatie, een test op gescheiden delen van de data.




