Funcții de pierdere

Introducere în TensorFlow în Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introducere în funcțiile de pierdere

Operație fundamentală în tensorflow
- Utilizată pentru antrenarea modelului
- Măsoară calitatea ajustării modelului
Valoare mai mare -> ajustare mai slabă
- Minimizați funcția de pierdere

Funcții de pierdere comune în TensorFlow

TensorFlow include operații pentru funcții de pierdere comune
- Eroarea pătratică medie (MSE)
- Eroarea absolută medie (MAE)
- Eroarea Huber
Funcțiile de pierdere sunt accesibile din tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

De ce sunt importante funcțiile de pierdere?

Imaginea prezintă funcțiile de pierdere MSE, MAE și Huber reprezentate grafic pe intervalul -2 până la 2.

MSE
- Penalizează puternic valorile extreme
- Sensibilitate ridicată (gradient) lângă minim
MAE
- Crește liniar cu mărimea erorii
- Sensibilitate scăzută lângă minim
Huber
- Similar cu MSE lângă minim
- Similar cu MAE departe de minim

Definirea unei funcții de pierdere

# Import TensorFlow under standard alias
import tensorflow as tf

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

Definirea unei funcții de pierdere

# 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)

Definirea funcției de pierdere

# 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

Să exersăm!

Introducere în TensorFlow în Python