Fungsi kerugian

Dalam optimisasi matematika dan teori keputusan, fungsi kerugian atau fungsi biaya (kadang-kadang juga disebut fungsi kesalahan)^[1] adalah fungsi yang memetakan suatu peristiwa atau nilai dari satu atau lebih variabel ke bilangan real secara intuitif mewakili beberapa "biaya" yang terkait dengan acara. Masalah optimasi berusaha untuk meminimalkan fungsi kerugian. Fungsi tujuan adalah fungsi kerugian atau negatifnya (dalam domain tertentu, sering disebut fungsi hadiah, fungsi keuntungan, fungsi utilitas, fungsi kebugaran, dll.), dalam hal ini harus dimaksimalkan.

Dalam statistik, biasanya fungsi kerugian digunakan untuk estimasi parameter, dan peristiwa yang dimaksud adalah beberapa fungsi dari perbedaan antara nilai yang diperkirakan dan nilai sebenarnya untuk sebuah instance data. Konsep tersebut, setua Laplace, diperkenalkan kembali dalam statistik oleh Abraham Wald pada pertengahan abad ke-20.^[2] Dalam konteks ekonomi, misalnya, ini biasanya biaya ekonomi atau penyesalan. Dalam klasifikasi, itu adalah hukuman untuk klasifikasi yang salah dari sebuah contoh. Dalam ilmu aktuaria, ini digunakan dalam konteks asuransi untuk memodelkan manfaat yang dibayarkan di atas premi, terutama sejak karya Harald Cramér pada 1920-an. Dalam kontrol optimal, kerugian adalah hukuman karena gagal mencapai nilai yang diinginkan. Dalam manajemen risiko keuangan, fungsi dipetakan ke kerugian moneter.

Referensi

^ Raschka, Sebastian (2019). Python machine learning : machine learning and deep learning with python, scikit-learn, and tensorflow 2. Birmingham: Packt Publishing, Limited. hlm. 37 - 38. ISBN 1-78995-829-6. OCLC 1135663723.
^ Wald, A. (1950). Statistical Decision Functions. Wiley. Diarsipkan dari asli tanggal 2022-10-31. Diakses tanggal 2021-08-04.

Bacaan lebih lanjut

Aretz, Kevin; Bartram, Söhnke M.; Pope, Peter F. (April–June 2011). "Asymmetric Loss Functions and the Rationality of Expected Stock Returns". International Journal of Forecasting. 27 (2): 413–437. doi:10.1016/j.ijforecast.2009.10.008. SSRN 889323.
Berger, James O. (1985). Statistical decision theory and Bayesian Analysis (Edisi 2nd). New York: Springer-Verlag. Bibcode:1985sdtb.book.....B. ISBN 978-0-387-96098-2. MR 0804611.

Cecchetti, S. (2000). "Making monetary policy: Objectives and rules". Oxford Review of Economic Policy. 16 (4): 43–59. doi:10.1093/oxrep/16.4.43.
Horowitz, Ann R. (1987). "Loss functions and public policy". Journal of Macroeconomics. 9 (4): 489–504. doi:10.1016/0164-0704(87)90016-4.
Waud, Roger N. (1976). "Asymmetric Policymaker Utility Functions and Optimal Policy under Uncertainty". Econometrica. 44 (1): 53–66. doi:10.2307/1911380. JSTOR 1911380.

Artikel bertopik matematika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

[Raschka_2019_p.-1] Raschka, Sebastian (2019). Python machine learning : machine learning and deep learning with python, scikit-learn, and tensorflow 2. Birmingham: Packt Publishing, Limited. hlm. 37 - 38. ISBN 1-78995-829-6. OCLC 1135663723.

[2] Wald, A. (1950). Statistical Decision Functions. Wiley. Diarsipkan dari asli tanggal 2022-10-31. Diakses tanggal 2021-08-04.

[1]

[2]