目录
Loss损失函数的作用
- 损失函数用来评价模型的预测值和真实值不一样的程度，深度学习训练模型的时候就是通过计算损失函数，更新模型参数，从而减小优化误差，直到损失函数值下降到目标值 或者 达到了训练次数。
- 不同的模型用的损失函数一般也不一样。损失函数设置的越好，通常模型的性能越好。
- loss函数可以自定义
损失函数loss和准确率accuracy的比较
- 在分类问题中，准确率accuracy更加直观，也更具有可解释性；对于回归问题，accuracy不可用，只能用loss
- 准确率accuracy不可微分，无法直接用于网络训练，而反向传播算法要求损失函数是可微的
- 损失函数loss可微分，可以求梯度，运用反向传播更新参数。
回归任务中的loss主要包括
- 均方误差mean squareerror（MSE）：MSE表示了预测值与目标值之间差值的平方和然后求平均
- L2范数：L2损失表示了预测值与目标值之间差值的平方和然后开更方，L2表示的是欧几里得距离。
- MSE和L2的曲线走势都一样。区别在于一个是求的平均np.mean()，一个是求的更方np.sqrt()
tensorflow和keras代码体现：
#tensorflow
tf.losses.mean_squared_error(
labels,
predictions,
weights=1.0,
scope=None,
loss_collection=tf.GraphKeys.LOSSES,
reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)
tf.metrics.mean_squared_error(
labels,
predictions,
weights=None,
metrics_collections=None,
updates_collections=None,
name=None
)
#keras
mean_squared_error(y_true, y_pred)
- 平均绝对误差meanabsolute error(MAE )：MAE表示了预测值与目标值之间差值的绝对值然后求平均
- L1范数：L1表示了预测值与目标值之间差值的绝对值，L1也叫做曼哈顿距离
MAE和L1的区别在于一个求了均值np.mean()，一个没有求np.sum()。2者的曲线走势也是完全一致的。
- tensorflow和keras代码体现：
#tensorflow
tf.metrics.mean_absolute_error(
labels,
predictions,
weights=None,
metrics_collections=None,
updates_collections=None,
name=None
)
#keras
mean_absolute_error(y_true, y_pred)
- MSE，MAE对比：
MAE损失对于局外点更鲁棒，但它的导数不连续使得寻找最优解的过程低效；MSE损失对于局外点敏感，但在优化过程中更为稳定和准确。
- 其他可用的损失函数参考：
补充知识
平均绝对误差MAE（mean absolute error） 和均方根误差 RMSE（root mean squared error)是衡量变量精度的两个最常用的指标，同时也是机器学习中评价模型的两把重要标尺。
1. 定义
平均绝对误差MAE（mean absolute error）是绝对误差的平均值，它其实是更一般形式的误差平均值。
或者
均方根误差 RMSE（root mean squared error)，也有资料称为RMSD,也可以测量误差的平均大小，它是预测值和实际观测之间平方差异平均值的平方根。
或者
2. 比较
均方根误差 RMSE 受异常值的影响更大。
3. 应用
当我们处理较大的数据集时，我们不能检查每个值以了解是否有一个或一些异常值，或者是否所有的错误都系统性地更高
解决办法：查看 MAE 和 RMSE 的比值可以帮助我们理解是否存在较大但不常见的错误。
参考资料：
【1】zhuanlan.zhihu.com/p/58883095
