Loss Function คืออะไร? ตัวเลขที่บอกว่าโมเดล AI ทำนายผิดมากแค่ไหน
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
- Mean Squared Error (MSE): วัดผลต่างยกกำลังสองแล้วหาค่าเฉลี่ย:
[ \text{MSE} = \frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2 ]
การยกกำลังสองทำให้ความผิดพลาดใหญ่ถูกลงโทษมากกว่าความผิดพลาดเล็ก
งานจำแนกประเภท (Classification)
ใช้เมื่อคำตอบเป็นหมวดหมู่ เช่น อีเมลขยะหรือไม่ รูปภาพเป็นแมวหรือหมา
- Cross-entropy: วัดความต่างระหว่างความน่าจะเป็นที่ทำนายกับป้ายกำกับจริง ยิ่งโมเดลมั่นใจในคำตอบที่ผิด ค่า loss ยิ่งสูง
ตารางสรุป
| งาน | ฟังก์ชันที่พบบ่อย | ลักษณะคำตอบ |
|---|---|---|
| Regression | MSE, MAE | ตัวเลขต่อเนื่อง |
| Classification | Cross-entropy | หมวดหมู่ |
| Clustering | ฟังก์ชันเฉพาะรูปแบบ | กลุ่มข้อมูล |
ค่า loss ลดลงได้อย่างไร
การฝึกโมเดลส่วนใหญ่ทำซ้ำเป็นวัฏจักร:
- ป้อนข้อมูลเข้าโครงข่ายประสาทเทียม แล้วรับค่าทำนาย
- คำนวณค่า loss จากคำตอบจริง
- ใช้การแพร่กระจายย้อนกลับ หาว่าพารามิเตอร์ใดควรปรับ
- ปรับพารามิเตอร์ให้ค่า loss รอบถัดไปลดลง
การเลือกฟังก์ชันการสูญเสียให้เหมาะกับงานมีผลต่อว่าโมเดลจะเรียนรู้ได้ดีเพียงใด หากเลือกฟังก์ชันไม่สอดคล้องกับข้อมูล ค่า loss อาจลดลงแต่โมเดลยังทำงานได้ไม่ตรงเป้าหมาย
ค่า loss ต่ำไม่ได้แปลว่าโมเดลดีเสมอไป
หากโมเดลทำนายข้อมูลฝึกได้แม่นยำมากจนค่า loss ต่ำมาก แต่เมื่อเจอข้อมูลใหม่กลับทำนายผิด อาจเกิดภาวะโอเวอร์ฟิตติ้ง ซึ่งโมเดลจำข้อมูลฝึกมากเกินไปแทนที่จะเข้าใจรูปแบบทั่วไป
- ค่า loss ชุดฝึกลด แต่ loss ชุดทดสอบสูง → สัญญาณของ overfitting
- ค่า loss ทั้งสองชุดสูงและแทบไม่ลด → อาจเป็น underfitting หรือโมเดลง่ายเกินไป
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
- Loss function วัดความต่างระหว่างค่าทำนายกับคำตอบจริง
- งานถดถอยนิยมใช้ MSE งานจำแนกนิยมใช้ cross-entropy
- ระหว่างฝึก โมเดลลดค่า loss ผ่าน backpropagation
- ต้องดู loss ทั้งชุดฝึกและชุดทดสอบเพื่อตรวจ overfitting
- เป้าหมายไม่ใช่ loss เป็นศูนย์ แต่เป็นโมเดลที่ใช้กับข้อมูลใหม่ได้ดี
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free