| BinaryCrossentropy <T memperluas TNumber > | Metrik yang menghitung kerugian entropi silang biner antara label sebenarnya dan label prediksi. |
| Crossentropy Kategoris <T extends TNumber > | Metrik yang menghitung kerugian entropi silang kategoris antara label sebenarnya dan label prediksi. |
| Engsel Kategoris <T memperluas Nomor T > | Metrik yang menghitung metrik kerugian engsel kategoris antara label dan prediksi. |
| CosineSimilarity <T extends TNumber > | Metrik yang menghitung metrik kesamaan kosinus antara label dan prediksi. |
| Engsel <T memanjang TNomor > | Metrik yang menghitung metrik kerugian engsel antara label dan prediksi. |
| KLDivergence <T memperluas TNumber > | Metrik yang menghitung metrik kerugian divergensi Kullback-Leibler antara label dan prediksi. |
| LogCoshError <T memperluas TNumber > | Metrik yang menghitung logaritma kosinus hiperbolik metrik kesalahan prediksi antara label dan prediksi. |
| Berarti <T memperluas TNomber > | Metrik yang menerapkan rata-rata tertimbang WEIGHTED_MEAN |
| MeanAbsoluteError <T memperluas TNumber > | Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. |
| MeanAbsolutePercentageError <T memperluas TNumber > | Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. |
| MeanSquaredError <T memperluas TNumber > | Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. |
| MeanSquaredLogarithmicError <T memperluas TNumber > | Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. |
| Metrik <T extends TNumber > | Kelas dasar untuk Metrik |
| Metrik | Kelas pembantu dengan fungsi metrik bawaan. |
| Poisson <T memperluas TNomber > | Metrik yang menghitung metrik kehilangan racun antara label dan prediksi. |
| SparseCategoricalCrossentropy <T extends TNumber > | Metrik yang menghitung kerugian entropi silang kategoris yang jarang antara label sebenarnya dan label prediksi. |
| SquaredHinge <T memperluas TNumber > | Metrik yang menghitung metrik kerugian engsel kuadrat antara label dan prediksi. |
