हानि फलन

गणितीय अनुकूलन और निर्णय सिद्धांत में, एक हानि फलन या लागत फलन (कभी-कभी त्रुटि फलन भी कहा जाता है) एक ऐसा कार्य है जो एक घटना (संभाव्यता सिद्धांत) या एक या एक से अधिक चर के मूल्यों को एक वास्तविक संख्या पर मानचित्रित करता है जो घटना से जुड़ी कुछ लागतों का प्रतिनिधित्व करता है। एक अनुकूलन समस्या हानि फलन को कम करने का प्रयास करती है। एक उद्देश्य फलन या तो हानि फलन है या इसका विपरीत (विशिष्ट डोमेन में, विभिन्न रूप से पुरस्कार फलन, लाभ फलन, उपयोगिता फलन, फिटनेस कार्य, आदि) कहा जाता है, जिस स्थिति में इसे अधिकतम किया जाना है। हानि फलन में पदानुक्रम के कई स्तरों से शब्द सम्मिलित हो सकते हैं।

आँकड़ों में,सामान्यतः पैरामीटर अनुमान के लिए एक हानि फलनका उपयोग किया जाता है, और प्रश्न में घटना डेटा के उदाहरण के लिए अनुमानित और वास्तविक मूल्यों के मध्यअंतर का कुछ कार्य है। पियरे-साइमन लाप्लास जितनी पुरानी अवधारणा को 20वीं शताब्दी के मध्य में अब्राहम का जन्म हुआ द्वारा आंकड़ों में फिर से प्रस्तुत किया गया था। अर्थशास्त्र के संदर्भ में, उदाहरण के लिए, यह सामान्यतःआर्थिक लागत या पछतावा (निर्णय सिद्धांत) है। सांख्यिकीय वर्गीकरण में, यह एक उदाहरण के गलत वर्गीकरण के लिए दंड है। जिवानांकिकी में, इसका उपयोग बीमा संदर्भ में प्रीमियम पर भुगतान किए गए मॉडल लाभों के लिए किया जाता है, खासकर 1920 के दशक में हेराल्ड क्रैमर के कार्यों के बाद से। इष्टतम नियंत्रण में, वांछित मूल्य प्राप्त करने में विफल रहने के लिए हानि का दंड है। वित्तीय संकट प्रबंधन में, फलन को मौद्रिक हानि के लिए मैप किया जाता है।

उदाहरण

खेद

Main article: खेद (निर्णय सिद्धांत)

लियोनार्ड जे। सैवेज ने तर्क दिया कि अन्य -बायेसियन विधियों जैसे अल्पमहिष्ठ का उपयोग करते हुए, हानि का कार्य अफसोस (निर्णय सिद्धांत) के विचार पर आधारित होना चाहिए, अर्थात, किसी निर्णय से जुड़ा हानि सबसे अच्छे निर्णय के परिणामों के मध्य का अंतर होना चाहिए। यह किया जा सकता था यदि अंतर्निहित परिस्थितियों की जानकारी हो और निर्णय जो वास्तव में उनके ज्ञात होने से पहले लिया गया हो।

द्विघात हानि समारोह

एक द्विघात फलन हानि फलन का उपयोग आम है, उदाहरण के लिए कम से कम वर्ग तकनीकों का उपयोग करते समय। भिन्नता के गुणों के साथ-साथ सममित होने के कारण यह अक्सर अन्य हानि कार्यों की तुलना में अधिक गणितीय रूप से ट्रैक्टेबल होता है: लक्ष्य के ऊपर एक त्रुटि लक्ष्य के नीचे त्रुटि के समान परिमाण के समान हानि का कारण बनती है। यदि लक्ष्य t है, तो एक द्विघात हानि फलन है

$\lambda (x)=C(t-x)^{2}\;$

कुछ स्थिर सी के लिए; स्थिरांक के मान से किसी निर्णय पर कोई फर्क नहीं पड़ता है, और इसे 1 के बराबर सेट करके अनदेखा किया जा सकता है। इसे 'चुकता त्रुटि हानि' ('SEL') के रूप में भी जाना जाता है।

t- परीक्षण, प्रतिगमन विश्लेषण मॉडल, प्रयोगों के डिजाइन, और बहुत कुछ सहित कई सामान्य आँकड़े, रैखिक प्रतिगमन सिद्धांत का उपयोग करके कम से कम वर्ग विधियों का उपयोग करते हैं, जो द्विघात हानि फलन पर आधारित है।

द्विघात हानि फलन का उपयोग रैखिक-द्विघात नियामक | रैखिक-द्विघात इष्टतम नियंत्रण समस्याओं में भी किया जाता है। इन समस्याओं में, अनिश्चितता के अभाव में भी, सभी लक्ष्य चरों के वांछित मूल्यों को प्राप्त करना संभव नहीं हो सकता है। अक्सर हानि को उनके वांछित मूल्यों से ब्याज के चर के विचलन में द्विघात रूप में व्यक्त किया जाता है; यह दृष्टिकोण बंद-रूप अभिव्यक्ति है क्योंकि इसका परिणाम रैखिक प्रथम-क्रम स्थितियों में होता है। स्टोकेस्टिक नियंत्रण के संदर्भ में, द्विघात रूप के अपेक्षित मूल्य का उपयोग किया जाता है।

0-1 हानि फलन

सांख्यिकी और निर्णय सिद्धांत में, अक्सर उपयोग किया जाने वाला हानि फलन 0-1 हानि फलन होता है

$L({\hat {y}},y)=I({\hat {y}}\neq y),\,$

कहाँ $I$ सूचक कार्य है। तात्पर्य यदि इनपुट का मूल्यांकन सही है, तो आउटपुट 1 है। अन्यथा, यदि इनपुट का मूल्यांकन गलत है, तो आउटपुट 0 होगा।

हानि और उद्देश्य कार्यों का निर्माण

See also: स्कोरिंग नियम

कई अनुप्रयोगों में, एक विशेष मामले के रूप में हानि कार्यों सहित वस्तुनिष्ठ कार्य, समस्या निर्माण द्वारा निर्धारित किए जाते हैं। अन्य स्थितियों में, निर्णय निर्माता की वरीयता को अनुकूलन के लिए उपयुक्त रूप में एक स्केलर-वैल्यूड फलन (जिसे उपयोगिता फलन भी कहा जाता है) द्वारा प्राप्त और प्रतिनिधित्व किया जाना चाहिए - रैगनार फ्रेश ने अपने नोबेल पुरस्कार व्याख्यान में जिस समस्या पर प्रकाश डाला है। उद्देश्य कार्यों के निर्माण के लिए मौजूदा तरीकों को दो समर्पित सम्मेलनों की कार्यवाही में एकत्रित किया जाता है। विशेष रूप से, Andranik Tangian ने दिखाया कि सबसे उपयोगी उद्देश्य कार्य - द्विघात और योज्य - कुछ उदासीनता बिंदुओं द्वारा निर्धारित किए जाते हैं। उन्होंने इस संपत्ति का उपयोग इन वस्तुनिष्ठ कार्यों के निर्माण के लिए मॉडल में या तो क्रमिक उपयोगिता या कार्डिनल उपयोगिता डेटा से किया था, जो निर्णय निर्माताओं के साथ कंप्यूटर-सहायता प्राप्त साक्षात्कारों के माध्यम से प्राप्त हुए थे। अन्य बातों के अलावा, उन्होंने 16 वेस्टफेलियन विश्वविद्यालयों के लिए बजट को इष्टतम रूप से वितरित करने के लिए वस्तुनिष्ठ कार्यों का निर्माण किया

और 271 जर्मन क्षेत्रों के मध्यबेरोजगारी दर को बराबर करने के लिए यूरोपीय सब्सिडी।

अपेक्षित नुकसान

कुछ संदर्भों में, हानि फलन का मान ही एक यादृच्छिक मात्रा है क्योंकि यह एक यादृच्छिक चर X के परिणाम पर निर्भर करता है।

सांख्यिकी

फ़्रीक्वेंटिस्ट और बायेसियन संभाव्यता सांख्यिकीय सिद्धांत दोनों में हानि फलन के अपेक्षित मूल्य के आधार पर निर्णय लेना सम्मिलित है; चूंकि, इस मात्रा को दो प्रतिमानों के तहत अलग-अलग परिभाषित किया गया है।

फ़्रीक्वेंटिस्ट अपेक्षित नुकसान

हम पहले बार-बार होने वाले संदर्भ में अपेक्षित हानिको परिभाषित करते हैं। इसे प्रायिकता वितरण, P के संबंध में अपेक्षित मान लेकर प्राप्त किया जाता है_θप्रेक्षित डेटा का, X. इसे 'संकटकार्य' के रूप में भी जाना जाता है निर्णय नियम δ और पैरामीटर θ का। यहाँ निर्णय नियम X के परिणाम पर निर्भर करता है। संकटफलन निम्न द्वारा दिया गया है:

$R(\theta ,\delta )=\operatorname {E} _{\theta }L{\big (}\theta ,\delta (X){\big )}=\int _{X}L{\big (}\theta ,\delta (x){\big )}\,\mathrm {d} P_{\theta }(x).$

यहाँ, θ प्रकृति की एक निश्चित लेकिन संभवतः अज्ञात अवस्था है, X एक सांख्यिकीय आबादी से स्टोकेस्टिक रूप से खींची गई टिप्पणियों का एक सदिश है, $\operatorname {E} _{\theta }$ X, dP के सभी जनसंख्या मूल्यों पर अपेक्षा है_θ एक्स के घटना स्थान पर एक संभावना माप है (θ द्वारा पैरामीट्रिज्ड) और इंटीग्रल का मूल्यांकन एक्स के पूरे समर्थन (माप सिद्धांत) पर किया जाता है।

बायेसियन अपेक्षित नुकसान

बायेसियन दृष्टिकोण में, पश्च वितरण का उपयोग करके अपेक्षा की गणना की जाती है π^* पैरामीटर का θ:

$\mathrm{\rho <!--\; \rho \; -->}({\mathrm{\pi <!--\; \pi \; -->}}^{\ast <!--\; \ast \; -->},a)={\int <!--\; \int \; -->}_{\mathrm{\Theta <!--\; \Theta \; -->}}L(\mathrm{\theta <!--\; \theta \; -->},a)\mathrm{d}{\mathrm{\pi <!--\; \pi \; -->}}^{}$