लॉस फंक्शन्स

Python में TensorFlow परिचय

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

लॉस फंक्शन्स का परिचय

मूलभूत tensorflow ऑपरेशन
- मॉडल ट्रेन करने के लिए उपयोग होता है
- मॉडल फिट का माप
मान अधिक -> फिट खराब
- लॉस फंक्शन को न्यूनतम करें

TensorFlow में सामान्य लॉस फंक्शन्स

TensorFlow में सामान्य लॉस फंक्शन्स के ऑपरेशन्स हैं
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Huber error
लॉस फंक्शन्स tf.keras.losses() से उपलब्ध हैं
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

लॉस फंक्शन्स क्यों महत्वपूर्ण हैं?

यह इमेज -2 से 2 अंतराल में प्लॉट किए गए mse, mae और huber लॉस फंक्शन्स दिखाती है.

MSE
- आउट्लायर्स को कड़ा दंड देता है
- न्यूनतम के पास (ग्रेडिएंट) संवेदनशीलता अधिक
MAE
- त्रुटि के आकार के साथ रैखिक रूप से बढ़ता है
- न्यूनतम के पास संवेदनशीलता कम
Huber
- न्यूनतम के पास MSE जैसा
- न्यूनतम से दूर MAE जैसा

लॉस फंक्शन परिभाषित करना

# Import TensorFlow under standard alias
import tensorflow as tf

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

लॉस फंक्शन परिभाषित करना

# 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)

लॉस फंक्शन परिभाषित करना

# 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

अभ्यास करते हैं!

Python में TensorFlow परिचय