Não encontrei uma definição de função de perda no wiki no contexto de aprendizado de máquina.
este é menos formal, porém, é claro o suficiente.
Na sua essência, uma função de perda é incrivelmente simples: é um método de avaliar quão bem seu algoritmo modela seu conjunto de dados. Se suas previsões estiverem totalmente desativadas, sua função de perda produzirá um número maior. Se eles forem muito bons, o resultado será um número menor. À medida que você altera partes do seu algoritmo para tentar melhorar seu modelo, sua função de perda informa se você está chegando a algum lugar.
parece que a taxa de erro do KNN não é a função que poderia guiar o próprio modelo a otimizar, como a descida do gradiente.
então, o KNN tem uma função de perda?
machine-learning
fu DL
fonte
fonte
Eu discordo da resposta aceita (um pouco).
O KNN é um algoritmo de classificação e não faz sentido executar um algoritmo de classificação sem uma função de perda: você estaria interessado em saber como o algoritmo foi bem. No caso do KNN, você poderia, por exemplo, avaliar a qualidade das classificações observando a soma das precisões médias em cada classe. Ou você pode se concentrar apenas na precisão do algoritmo.
O método de otimização que aciona o KNN não depende da função de perda; portanto, durante o treinamento, ele nunca apela para a função de perda e nem usa descida de gradiente para treinar.
fonte