הצגת המקור של הדף "הפסד הובר"

ב[[סטטיסטיקה]], '''הפסד הובר''' (Huber loss) היא [[פונקציית הפסד]] המהווה שילוב של [[טעות מוחלטת ממוצעת|שגיאה מוחלטת ממוצעת]] (MAE) ו[[טעות ריבועית ממוצעת|שגיאה ריבועית ממוצעת]] (MSE), ולמעשה היא הכללה שלהן. היא רגישה ל[[חריג חשוד טעות|חריגים]] פחות מאשר MSE אך יותר מאשר MAE. היא הוגדרה על ידי ה[[סטטיסטיקאי]] השווייצרי פיטר ג'וסט הובר כך:<ref>{{צ-מאמר|מחבר=Huber, Peter J|שם=Robust Estimation of a Location Parameter|כתב עת=Annals of Statistics|שנת הוצאה=1964|עמ=73–101}}</ref>

:<math>
L_\delta (a) = \begin{cases}
 \frac{1}{2}{a^2}                   & |a| \le \delta, \\
 \delta \cdot \left(|a| - \frac{1}{2}\delta\right), & \text{תרחא}
\end{cases}
</math>
הפונקציה תלויה בפרמטר דלתא, ככל שהוא גדול יותר כך הפונקציה תהיה ריבועית ביותר נקודות (ליתר דיוק עבור כל הנקודות ב[[כדור (טופולוגיה)|סביבת]] דלתא של 0), ובנקודות שמחוץ לטווח הפונקציה תהיה בצורה ליניארית.
הדרך בה משתמשים בפונקציה זאת בתור מטריקת הערכה היא כאשר <math>a</math> מסמל את ההפרש בין הערך האמיתי לערך המנובא מן המודל, כלומר <math>a = y - f(x)</math> ואז מקבלים את הנוסחא:

:<math>
L_\delta(y, f(x)) = \begin{cases}
 \frac{1}{2}(y - f(x))^2                   & |y - f(x)| \le \delta, \\
 \delta\ \cdot \left(|y - f(x)| - \frac{1}{2}\delta\right), & \text{תרחא}
\end{cases}
</math>
כשכנהוג ש <math>y</math> מסמל את הערך האמיתי, ו <math>f(x)</math> את הערך הלא אמיתי (הערך שהמודל ניבא או שמדדנו בניסוי/מעבדה).

=== שימושים והשוואות ===
משתמשים במטריקה זאת בשביל להעריך נכונות ניבויים של מודלי [[למידת מכונה]] (בתחום זה הן נקראות '''מטריקות הערכה''').

==הערות שוליים==
{{הערות שוליים|יישור=שמאל}}

[[קטגוריה:סטטיסטיקה]]