Fonctions de perte

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introduction aux fonctions de perte

Opération tensorflow fondamentale
- Sert à entraîner un modèle
- Mesure de l'ajustement du modèle
Valeur élevée -> moins bon ajustement
- Minimiser la fonction de perte

Fonctions de perte courantes dans TensorFlow

TensorFlow propose des opérations pour des fonctions de perte courantes
- Erreur quadratique moyenne (MSE)
- Erreur absolue moyenne (MAE)
- Perte de Huber
Fonctions de perte accessibles via tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Pourquoi s'intéresser aux fonctions de perte ?

Cette image affiche les fonctions de perte mse, mae et huber tracées sur l'intervalle -2 à 2.

MSE
- Pénalise fortement les valeurs aberrantes
- Forte sensibilité (du gradient) près du minimum
MAE
- Croît linéairement avec la taille de l'erreur
- Faible sensibilité près du minimum
Huber
- Proche du MSE près du minimum
- Proche du MAE loin du minimum

Définir une fonction de perte

# Import TensorFlow under standard alias
import tensorflow as tf

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

Définir une fonction de perte

# 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)

Définir la fonction de perte

# 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

Passons à la pratique !

Introduction à TensorFlow en Python