Funkcje straty

Wprowadzenie do TensorFlow w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Wprowadzenie do funkcji straty

Podstawowa operacja tensorflow
- Używana do trenowania modelu
- Miernik dopasowania modelu
Wyższa wartość -> gorsze dopasowanie
- Minimalizacja funkcji straty

Popularne funkcje straty w TensorFlow

TensorFlow oferuje operacje dla popularnych funkcji straty
- Błąd średniokwadratowy (MSE)
- Średni błąd bezwzględny (MAE)
- Błąd Hubera
Funkcje straty są dostępne w tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Dlaczego funkcje straty są ważne?

Wykres funkcji straty MSE, MAE i Hubera w przedziale od -2 do 2.

MSE
- Silnie penalizuje wartości odstające
- Wysoka czułość (gradientu) w pobliżu minimum
MAE
- Rośnie liniowo wraz z błędem
- Niska czułość w pobliżu minimum
Huber
- Podobny do MSE w pobliżu minimum
- Podobny do MAE dalej od minimum

Definiowanie funkcji straty

# Import TensorFlow under standard alias
import tensorflow as tf

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

Definiowanie funkcji straty

# 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)

Definiowanie funkcji straty

# 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

Czas na ćwiczenia!

Wprowadzenie do TensorFlow w Pythonie