Kayıp fonksiyonları

Python ile TensorFlow’a Giriş

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Kayıp fonksiyonlarına giriş

Temel tensorflow işlemi
- Modeli eğitmek için kullanılır
- Model uyumunun ölçüsü
Değer yükseldikçe -> uyum kötüleşir
- Kayıp fonksiyonunu en aza indirin

TensorFlow’daki yaygın kayıp fonksiyonları

TensorFlow yaygın kayıp fonksiyonları için işlemler sunar
- Ortalama kare hata (MSE)
- Ortalama mutlak hata (MAE)
- Huber hatası
Kayıp fonksiyonları tf.keras.losses() ile erişilebilir
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Kayıp fonksiyonlarını neden önemseriz?

Bu görsel, -2 ile 2 aralığında çizilen mse, mae ve huber kayıp fonksiyonlarını gösterir.

MSE
- Aykırı değerlere güçlü ceza
- Minimuma yakın yüksek (gradyan) duyarlılık
MAE
- Hata boyutuyla doğrusal artar
- Minimuma yakın düşük duyarlılık
Huber
- Minimuma yakın MSE’ye benzer
- Minimumdan uzakta MAE’ye benzer

Kayıp fonksiyonu tanımlama

# Import TensorFlow under standard alias
import tensorflow as tf

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

Kayıp fonksiyonu tanımlama

# 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)

Kayıp fonksiyonunu tanımlama

# 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

Hadi pratik yapalım!

Python ile TensorFlow’a Giriş