Loss Function คืออะไร? ตัวเลขที่บอกว่าโมเดล AI ทำนายผิดมากแค่ไหน

Updated · By Viviai

Loss Function (ฟังก์ชันการสูญเสีย หรือ ลอสฟังก์ชัน) คือ ฟังก์ชันที่วัดว่าผลการทำนายของโมเดล แตกต่างจากคำตอบจริงมากเพียงใด โดยยิ่งค่า loss น้อย แสดงว่าโมเดลทำนายได้ใกล้เคียงความจริง และยิ่งค่า loss สูง แสดงว่ายังมีความคลาดเคลื่อนมาก ระหว่างการฝึก โมเดลจะปรับพารามิเตอร์เพื่อให้ค่า loss ลดลงเรื่อย ๆ ผ่านการแพร่กระจายย้อนกลับ

Loss Function คืออะไร

เมื่อโมเดลทำนายผลลัพธ์ออกมา ระบบจะเปรียบเทียบค่าที่ทำนายกับคำตอบจริง แล้วคำนวณความต่างออกมาเป็นตัวเลขหนึ่งค่า นั่นคือค่า loss ลองนึกภาพการยิงเป้าประตู: หากยิงเข้าใกล้เป้ากลาง ความผิดพลาดน้อย ค่า loss ก็น้อย หากยิงออกห่างไปมาก ค่า loss ก็สูงตาม

Loss, Cost และ Objective

ในงานเขียนหลายแห่งอาจพบคำที่ใกล้เคียงกัน:

คำ ความหมายโดยทั่วไป
Loss ความผิดพลาดของตัวอย่างเดียว
Cost ค่า loss เฉลี่ยรวมทั้งชุดข้อมูล
Objective function ฟังก์ชันเป้าหมายที่ต้องการลดหรือเพิ่ม

ขอบเขตระหว่างคำเหล่านี้อาจแตกต่างกันตามตำรา แต่ในการสนทนาทั่วไปมักใช้เรียกรวมกันว่าค่า loss

ฟังก์ชันการสูญเสียมีกี่ประเภท

งานถดถอย (Regression)

ใช้เมื่อคำตอบเป็นค่าตัวเลขต่อเนื่อง เช่น ทำนายราคา อุณหภูมิ หรือพื้นที่

[ \text{MSE} = \frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2 ]

การยกกำลังสองทำให้ความผิดพลาดใหญ่ถูกลงโทษมากกว่าความผิดพลาดเล็ก

งานจำแนกประเภท (Classification)

ใช้เมื่อคำตอบเป็นหมวดหมู่ เช่น อีเมลขยะหรือไม่ รูปภาพเป็นแมวหรือหมา

ตารางสรุป

งาน ฟังก์ชันที่พบบ่อย ลักษณะคำตอบ
Regression MSE, MAE ตัวเลขต่อเนื่อง
Classification Cross-entropy หมวดหมู่
Clustering ฟังก์ชันเฉพาะรูปแบบ กลุ่มข้อมูล

ค่า loss ลดลงได้อย่างไร

การฝึกโมเดลส่วนใหญ่ทำซ้ำเป็นวัฏจักร:

  1. ป้อนข้อมูลเข้าโครงข่ายประสาทเทียม แล้วรับค่าทำนาย
  2. คำนวณค่า loss จากคำตอบจริง
  3. ใช้การแพร่กระจายย้อนกลับ หาว่าพารามิเตอร์ใดควรปรับ
  4. ปรับพารามิเตอร์ให้ค่า loss รอบถัดไปลดลง

การเลือกฟังก์ชันการสูญเสียให้เหมาะกับงานมีผลต่อว่าโมเดลจะเรียนรู้ได้ดีเพียงใด หากเลือกฟังก์ชันไม่สอดคล้องกับข้อมูล ค่า loss อาจลดลงแต่โมเดลยังทำงานได้ไม่ตรงเป้าหมาย

ค่า loss ต่ำไม่ได้แปลว่าโมเดลดีเสมอไป

หากโมเดลทำนายข้อมูลฝึกได้แม่นยำมากจนค่า loss ต่ำมาก แต่เมื่อเจอข้อมูลใหม่กลับทำนายผิด อาจเกิดภาวะโอเวอร์ฟิตติ้ง ซึ่งโมเดลจำข้อมูลฝึกมากเกินไปแทนที่จะเข้าใจรูปแบบทั่วไป

การแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบจึงช่วยให้ประเมินได้ว่าโมเดลใช้งานกับข้อมูลใหม่ได้จริง

FAQ

Loss Function ทำหน้าที่อะไร?

บอกระดับความผิดพลาดของการทำนายเมื่อเทียบกับคำตอบจริง และเป็นเป้าหมายที่โมเดลพยายามทำให้น้อยลงระหว่างการฝึก

ค่า loss ยิ่งน้อยยิ่งดีไหม?

โดยทั่วไปค่า loss ที่ลดลงบ่งชี้ว่าโมเดลเรียนรู้ดีขึ้น แต่ต้องดูควบคู่กับข้อมูลชุดทดสอบด้วย เพราะ loss ต่ำเฉพาะชุดฝึกอาจเป็น overfitting

MSE กับ Cross-entropy ต่างกันอย่างไร?

MSE ใช้กับงานถดถอยที่คำตอบเป็นตัวเลขต่อเนื่อง ส่วน cross-entropy ใช้กับงานจำแนกประเภทที่คำตอบเป็นหมวดหมู่

Loss กับ Cost ต่างกันไหม?

หลายตำราใช้ loss เรียกความผิดพลาดต่อตัวอย่างเดียว และ cost เรียกค่าเฉลี่ยทั้งชุด แต่ในการใช้งานทั่วไปมักใช้สลับกัน

ทำโมเดลให้ค่า loss เป็นศูนย์ได้ไหม?

ในทางปฏิบัติไม่จำเป็นต้องทำให้เป็นศูนย์ เพราะอาจหมายถึงโมเดลจำข้อมูลฝึกทั้งหมดและไม่รับมือข้อมูลใหม่ เป้าหมายคือความสมดุลระหว่างความแม่นยำและการนำไปใช้กับข้อมูลใหม่

สรุป

Sources

  1. https://th.wikipedia.org/wiki/%E0%B8%9F%E0%B8%B1%E0%B8%87%E0%B8%81%E0%B9%8C%E0%B8%8A%E0%B8%B1%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%AA%E0%B8%B9%E0%B8%8D%E0%B9%80%E0%B8%AA%E0%B8%B5%E0%B8%A2
  2. https://en.wikipedia.org/wiki/Loss_function

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free