Förlustfunktioner

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introduktion till förlustfunktioner

Grundläggande tensorflow-operation
- Används för att träna en modell
- Mäter hur väl modellen passar data
Högre värde -> sämre passning
- Minimera förlustfunktionen

Vanliga förlustfunktioner i TensorFlow

TensorFlow har operationer för vanliga förlustfunktioner
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Huber-fel
Förlustfunktioner nås via tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Varför spelar förlustfunktioner roll?

Bilden visar MSE-, MAE- och Huber-förlustfunktionerna plottade över intervallet -2 till 2.

MSE
- Straffar avvikande värden hårt
- Hög (gradient-)känslighet nära minimum
MAE
- Skalas linjärt med felets storlek
- Låg känslighet nära minimum
Huber
- Liknar MSE nära minimum
- Liknar MAE långt från minimum

Definiera en förlustfunktion

# Import TensorFlow under standard alias
import tensorflow as tf

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

Definiera en förlustfunktion

# 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)

Definiera förlustfunktionen

# 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

Nu kör vi en övning!

Introduktion till TensorFlow i Python