Ztrátové funkce

Úvod do TensorFlow v Pythonu

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Úvod do ztrátových funkcí

Základní operace tensorflow
- Slouží k trénování modelu
- Měří kvalitu přizpůsobení modelu
Vyšší hodnota -> horší přizpůsobení
- Minimalizujte ztrátovou funkci

Běžné ztrátové funkce v TensorFlow

TensorFlow obsahuje operace pro běžné ztrátové funkce
- Střední kvadratická chyba (MSE)
- Střední absolutní chyba (MAE)
- Huberova chyba
Ztrátové funkce jsou dostupné přes tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Proč jsou ztrátové funkce důležité?

Tento obrázek zobrazuje ztrátové funkce MSE, MAE a Huber vynesené v intervalu od -2 do 2.

MSE
- Silně penalizuje odlehlé hodnoty
- Vysoká citlivost (gradientu) v blízkosti minima
MAE
- Roste lineárně s velikostí chyby
- Nízká citlivost v blízkosti minima
Huber
- Podobná MSE v blízkosti minima
- Podobná MAE daleko od minima

Definování ztrátové funkce

# Import TensorFlow under standard alias
import tensorflow as tf

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

Definování ztrátové funkce

# 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)

Definování ztrátové funkce

# 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

Pojďme si procvičit!

Úvod do TensorFlow v Pythonu