自定义损失函数 Tensorflow / Keras 惩罚相对距离

【问题标题】：Custom loss function Tensorflow / Keras penalizing relative distance自定义损失函数 Tensorflow / Keras 惩罚相对距离
【发布时间】：2021-01-14 19:29:20
【问题描述】：

我构建了一个具有三个输出类的张量流神经网络。我的损失函数目前是val_mean_absolute_percentage_error，因为不是绝对距离，而是目标和预测变量之间的相对距离很重要。但是，平均绝对百分比误差计算为

1/n sum(|(y_test - y_pred) / y_test|)

不完全适合我的问题，因为如果 y_pred > y_test 会受到更大的惩罚

示例 1：y_test = 5, y_pred = 2 --> Mape = 0.6

示例 2：y_pred = 5, y_test = 2 --> Mape = 1.5

然而，上述例子应该受到同样的惩罚。

有谁知道哪个（自定义）损失函数更适合我的问题？

【问题讨论】：

标签： python tensorflow keras neural-network loss-function

【解决方案1】：

对于y_true 和y_pred 之间更大的差异，您可以考虑使用mse loss 而不是mae loss；在 RMSE/MSE 的情况下，由于误差在平均之前是平方的，因此 RMSE 会为较大的误差赋予较高的权重。

问题是你划分为y_test，因此结果不同。您可以先尝试删除分母以获得相同的 MAPE，如果在 y_test 和 y_pred 之间仍然获得更大的值，请考虑使用 RMSE。

【讨论】：

这并不能解决问题。我正在寻找一个不依赖于幅度的指标。 y_pred=50 和 y_test=100 的惩罚应该与 y_pred=2 和 y_test=4 相同。 MSE/RMSE 在这里没有帮助
我明白了。然后我认为删除 /y_test 的除法将解决您的问题，因为在这种情况下，只会保持绝对差异：D，因此在您的示例中使用 y_true, y_pred |2-5| == |5-2|
你可以试试 $\sum_i \frac{ |y_i - \hat{y}_i| }{ |y_i +\hat{y}_i| }$