Функції втрат

Вступ до TensorFlow на Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Вступ до функцій втрат

Базова операція tensorflow
- Використовується для навчання моделі
- Міра відповідності моделі
Вище значення -> гірша відповідність
- Мінімізуйте функцію втрат

Типові функції втрат у TensorFlow

У TensorFlow є операції для типових функцій втрат
- Середньоквадратична помилка (MSE)
- Середня абсолютна помилка (MAE)
- Помилка Губера
Функції втрат доступні через tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Навіщо нам функції втрат?

На зображенні показано графіки функцій втрат mse, mae та huber на інтервалі від -2 до 2.

MSE
- Сильно штрафує викиди
- Висока чутливість (градієнта) біля мінімуму
MAE
- Зростає лінійно з величиною помилки
- Низька чутливість біля мінімуму
Huber
- Подібна до MSE біля мінімуму
- Подібна до MAE далеко від мінімуму

Визначення функції втрат

# Import TensorFlow under standard alias
import tensorflow as tf

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

Визначення функції втрат

# 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)

Визначення функції втрат

# 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

Давайте потренуємось!

Вступ до TensorFlow на Python