Funções de loss

Introdução ao TensorFlow em Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introdução às funções de loss

Operação fundamental do tensorflow
- Usada para treinar um modelo
- Mede o ajuste do modelo
Valor maior -> pior ajuste
- Minimize a função de loss

Funções de loss comuns no TensorFlow

TensorFlow tem operações para losses comuns
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Erro de Huber
As funções de loss estão em tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Por que nos importamos com funções de loss?

Esta imagem mostra as funções de loss mse, mae e huber no intervalo de -2 a 2.

MSE
- Penaliza fortemente outliers
- Alta sensibilidade (gradiente) perto do mínimo
MAE
- Escala linearmente com o erro
- Baixa sensibilidade perto do mínimo
Huber
- Parecida com MSE perto do mínimo
- Parecida com MAE longe do mínimo

Definindo uma função de loss

# Import TensorFlow under standard alias
import tensorflow as tf

# Compute the MSE loss
loss = tf.keras.losses.mse(targets, predictions)

Definindo uma função de loss

# Define a linear regression model
def linear_regression(intercept, slope = slope, features = features):
    return intercept + features*slope

# Define a loss function to compute the MSE
def loss_function(intercept, slope, targets = targets, features = features):
    # Compute the predictions for a linear model
    predictions = linear_regression(intercept, slope)

    # Return the loss
    return tf.keras.losses.mse(targets, predictions)

Definindo a função de loss

# Compute the loss for test data inputs
loss_function(intercept, slope, test_targets, test_features)

10.77

# Compute the loss for default data inputs
loss_function(intercept, slope)

5.43

Let's practice!

Introdução ao TensorFlow em Python