# Kayıp Fonksiyonu Gezgini

Canonical: https://manyspace.aporia.systems/tr/tools/loss-functions
Updated: 2026-10-13

Her kayıp, hataya dair bir fikirdir: MSE aykırılarda paniğe kapılır, MAE sakin sayar, log-loss emin hatalardan korkar.

## Şunu dene

- Panik testini işlet. Hata sıfırdayken +4,5 aykırıyı düşür: MSE 10'un üstüne sıçrarken MAE 2,25'e gezinir. Aynı veri, farklı korkular — gösterge anlatır.
- Huber'in menteşesini bul. Hatayı 0'dan 3'e yavaşça kaydır ve yeşil eğriyi izle: 1'e kadar parabol, sonra düz çizgi. δ'deki dirsek, uzlaşmanın görünür halidir.
- Kesinliği fiyatla. y = 1 gerçeğiyle sınıflandırmaya geç: p'yi 0,99'a it ve küçücük faturayı not et — sonra 0,01'e sürükle ve patlamayı hisset. Güven iki ucu keser.

## Kayıp nasıl okunur

Regresyonda MSE her hatanın karesini alır — büyük ıskalar baskındır; tek aykırı, yüz iyi tahmini bastırabilir. MAE bunun yerine mutlak değer alır: aykırılar dahil her hata birimi aynı pahadadır. Huber arayı bulur: sıfıra yakın karesel, δ = 1'in ötesinde doğrusal.

Sınıflandırmada log-loss, −ln(gerçeğin olasılığı) yazar: emin ve haklı neredeyse bedavadır, emin ve haksız felakettir — yanındaki kesikli doğrusal cezadan çok daha dik. Kesinliğe yakın bu ivmelenme, sınıflandırıcılara alçakgönüllülüğü öğretir.

## İlgili araçlar

- [Gradyan İnişi Laboratuvarı](https://manyspace.aporia.systems/tr/tools/gradient-descent)
- [k-Means Görselleştirici](https://manyspace.aporia.systems/tr/tools/k-means)
- [Lojistik Regresyon](https://manyspace.aporia.systems/tr/tools/logistic-regression)
- [İleri Geçiş](https://manyspace.aporia.systems/tr/tools/neural-network)
- [Geri Yayılım](https://manyspace.aporia.systems/tr/tools/backpropagation)
- [Dikkat Görselleştirici](https://manyspace.aporia.systems/tr/tools/attention)
- [Tokenizasyon Gezgini](https://manyspace.aporia.systems/tr/tools/tokenization)