Lossfuncties

Introductie tot TensorFlow in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introductie tot verliesfuncties

Fundamentele tensorflow-operatie
- Gebruikt om een model te trainen
- Maat voor model-fit
Hogere waarde -> slechtere fit
- Minimaliseer de verliesfunctie

Veelgebruikte verliesfuncties in TensorFlow

TensorFlow heeft operaties voor gangbare verliesfuncties
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Huber-fout
Verliesfuncties via tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Waarom zijn verliesfuncties belangrijk?

Deze afbeelding toont de verliesfuncties MSE, MAE en Huber uitgezet over het interval -2 tot 2.

MSE
- Straft uitschieters sterk
- Hoge (gradiënt)gevoeligheid nabij minimum
MAE
- Schaal lineair met foutgrootte
- Lage gevoeligheid nabij minimum
Huber
- Lijkt op MSE nabij minimum
- Lijkt op MAE verder van minimum

Een verliesfunctie definiëren

# Import TensorFlow under standard alias
import tensorflow as tf

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

Een verliesfunctie definiëren

# 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)

De verliesfunctie definiëren

# 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

Laten we oefenen!

Introductie tot TensorFlow in Python