Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Een loss-functie (ook wel kostenfunctie) is een formule die berekent hoe goed of slecht een AI-model presteert. Het vergelijkt de voorspelling van het model met de werkelijke waarde en geeft daar een foutscore aan. Hoe hoger de score, hoe slechter het model op dat moment presteert.
De loss-functie is daarmee het hart van het leerproces, omdat het model precies leert wat er fout gaat en hoeveel het moet verbeteren.
Waarom een loss-functie essentieel is
Zonder loss-functie weet een model niet of het goed bezig is. De loss geeft richting, want:
- Het laat zien hoe ver de voorspelling afwijkt van de werkelijkheid,
- Het bepaalt hoe sterk het model zijn interne gewichten moet aanpassen,
- En het stuurt optimalisatie-algoritmes zoals gradient descent om stap voor stap beter te worden.
Een lage loss betekent dat het model de data goed begrijpt, een hoge loss betekent dat het nog flink moet leren.
Voorbeelden van veelgebruikte loss-functies
Verschillende taken vragen om verschillende loss-functies:
1. Mean Squared Error (MSE)
Wordt gebruikt bij regressie.
Het model wordt harder gestraft voor grote fouten dan voor kleine fouten, waardoor grote afwijkingen snel worden gecorrigeerd.
2. Cross-Entropy Loss
Wordt gebruikt bij classificatie.
Deze loss geeft een hogere score wanneer het model erg zeker is van een fout antwoord. Daardoor leert het model sneller bij misclassificaties.
3. Binary Cross-Entropy
Specifiek voor ja/nee-problemen.
Ideaal voor taken zoals spamdetectie of ‘kat of niet-kat’.
Hoe de loss-functie past in het leerproces
Tijdens training voorspelt het model een uitkomst. De loss-functie berekent hoe fout deze is. Daarna:
- Wordt de fout via foutberekening doorgestuurd,
- Past gradient descent de gewichten aan,
- En wordt het model steeds beter in kleine stappen.
Dit proces herhaalt zich duizenden keren tot de loss zo laag mogelijk is.
Wil je meer weten over hoe dit leermechanisme precies werkt, bekijk dan ook mijn pagina Leerproces.
Risico’s en aandachtspunten
Een loss-functie lijkt een neutrale berekening, maar kan indirect leiden tot ongewenst gedrag als:
- De dataset onvolledig of scheef verdeeld is,
- De gekozen loss niet past bij de taak,
- Belangrijke situaties onvoldoende voorkomen in de data.
Dit raakt aan AI & Ethiek, omdat een verkeerd geoptimaliseerd model kan leiden tot oneerlijke of onnauwkeurige uitkomsten.
Verder leren?
Wil je dit soort AI-begrippen in gewone taal leren begrijpen, volg dan mijn gratis Basiscursus AI waarin ik je stap voor stap wegwijs maak in de belangrijkste concepten.