این امر با به حداقل رساندن بهینه یک تابع هزینه به نام ( ) به دست می آید که تفاوت بین ℎ ( ) و مجموعه داده را به صورت مطلق بیان می کند. در مسئله مورد بحث، تابع ( ) مورد استفاده برای آموزش در الگوریتم LR-HDD ما در معادله نشان داده شده است. (2)، که نشان دهنده نیمی از میانگین مربعات خطا (MSE) است. تعمیر کامپیوتر در اصفهان از آنجایی که مشتق ( ) باید در طول آموزش ارزیابی شود، متریک MSE برای سادگی انتخاب شده است. مقدار آن نصف می شود به طوری که ضرب در دو که در مشتق ظاهر می شود لغو می شود و محاسبات را در طول فرآیند آموزش ساده می کند. در معادله (2)، تعداد نمونه های آموزشی را نشان می دهد. ℎ ( ) خروجی سیستم ML با توجه به ورودی است (همچنین به عنوان مقدار تابع فرضیه در شناخته می شود).
- ۰۰/۱۱/۰۳