Funzioni di perdita

Introduzione a TensorFlow in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introduzione alle funzioni di perdita

Operazione tensorflow fondamentale
- Usata per addestrare un modello
- Misura dell'aderenza del modello
Valore più alto -> adattamento peggiore
- Minimizza la funzione di perdita

Perdite comuni in TensorFlow

TensorFlow offre operazioni per perdite comuni
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Errore di Huber
Le funzioni di perdita sono in tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Perché ci interessano le funzioni di perdita?

Questo grafico mostra le funzioni di perdita mse, mae e huber sull'intervallo -2 a 2.

MSE
- Penalizza molto gli outlier
- Alta sensibilità (del gradiente) vicino al minimo
MAE
- Scala linearmente con l'errore
- Bassa sensibilità vicino al minimo
Huber
- Simile a MSE vicino al minimo
- Simile a MAE lontano dal minimo

Definire una funzione di perdita

# Importa TensorFlow con l'alias standard
import tensorflow as tf

# Calcola la perdita MSE
loss = tf.keras.losses.mse(targets, predictions)

Definire una funzione di perdita

# Definisci un modello di regressione lineare
def linear_regression(intercept, slope = slope, features = features):
    return intercept + features*slope

# Definisci una funzione di perdita per calcolare la MSE
def loss_function(intercept, slope, targets = targets, features = features):
    # Calcola le predizioni per un modello lineare
    predictions = linear_regression(intercept, slope)

    # Restituisci la perdita
    return tf.keras.losses.mse(targets, predictions)

Definire la funzione di perdita

# Calcola la perdita per i dati di test
loss_function(intercept, slope, test_targets, test_features)

10.77

# Calcola la perdita per i dati predefiniti
loss_function(intercept, slope)

5.43

Esercitiamoci!

Introduzione a TensorFlow in Python