損失函式

Python 的 TensorFlow 入門

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

損失函式入門

tensorflow 的基礎運算
- 用來訓練模型
- 衡量模型擬合度
值越大 → 擬合越差
- 目標是最小化損失函式

TensorFlow 中的常見損失函式

TensorFlow 提供常見的損失函式
- 均方誤差（MSE）
- 平均絕對誤差（MAE）
- Huber 誤差
可從 tf.keras.losses() 取得損失函式
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

為何在意損失函式？

此圖顯示在 -2 到 2 區間上繪製的 MSE、MAE 與 Huber 損失函式。

MSE
- 對離群值懲罰強
- 在最小值附近（梯度）敏感度高
MAE
- 隨誤差大小線性成長
- 在最小值附近敏感度低
Huber
- 在最小值附近類似 MSE
- 遠離最小值時類似 MAE

定義損失函式

# Import TensorFlow under standard alias
import tensorflow as tf

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

定義損失函式

# 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)

定義損失函式

# 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

一起來練習吧！

Python 的 TensorFlow 入門