Træning kræver en score. Tabsfunktionen måler, hvor forkerte en models forudsigelser er, hvilket giver optimeringsværktøjet noget at minimere. Kryds-entropi til klassificering. Gennemsnitlig kvadratisk fejl til regression. Brugerdefinerede tab til specialiserede opgaver.

Valget former adfærden. En model trænet i krydsentropi lærer kalibrerede sandsynligheder. En model trænet i hængselstab lærer en margin. To modeller med identiske arkitekturer og data kan opføre sig meget forskelligt afhængigt af, hvad du beder dem om at minimere.

Almindelige tabsfunktioner

• Gennemsnitlig kvadreret fejl for regression
• Krydsentropi til klassificering
• Hængselstab for marginbaserede klassifikatorer
• Kontrastivt tab for indlejringer
• Triplet-tab for similaritetslæring

Ubalancerede data komplicerer tab. En klassifikator, der er trænet på krydsentropi, vil favorisere majoritetsklassen, medmindre vægtene justeres. Fokaltab og klassevægtning løser problemet på bekostning af yderligere justering.