Функция, которая является критерием для определения того, насколько ваша модель хороша на данных, называется функцией потерь или критерием качества модели.

Функция потерь измеряет разницу между предсказанными значениями, которые выдает ваша модель, и реальными значениями из обучающего набора данных. Чем меньше значение функции потерь, тем лучше модель подходит к данным.

Существуют различные типы функций потерь, которые применяются в зависимости от задачи, например:

• Для регрессии:
  • Среднеквадратичная ошибка (MSE)
  • Средняя абсолютная ошибка (MAE)
• Для классификации:
  • Функция потерь логистической регрессии (логарифмическая потеря)
  • Кросс-энтропия

Кроме функции потерь, для оценки качества модели также могут использоваться метрики, такие как:

• Точность (Accuracy)
• Полнота (Recall)
• Точность (Precision)
• F1-мера

Важно помнить, что выбор функции потерь и метрик зависит от конкретной задачи и целей вашего проекта. Правильный выбор может значительно повлиять на результаты обучения модели и ее способность обобщать информацию на новых данных.