开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第五天，点击查看活动详情
总结：此文为12月更文计划第四天第十篇。
回归模型中的损失函数loss
今天开始一个学习回归模型中的loss实战。
在训练的过程中，以前使用到是损失函数loss是均方误差函数：mean_squared_error .
首先从sklearn中导入所需要的数据：这里以加利福尼亚的数据来学习
from sklearn.datasets import fetch_california_housing
housing = fetch_california_housing()
# print(housing.DESCR)
print(housing.data.shape)
print(housing.target.shape)
输出的结果如下：
对这些数据进行划分为训练集与测试集
from sklearn.model_selection import train_test_split
x_train_all, x_test, y_train_all, y_test = train_test_split(
housing.data, housing.target, random_state = 7)
x_train, x_valid, y_train, y_valid = train_test_split(
x_train_all, y_train_all, random_state = 11)
print(x_train.shape, y_train.shape)
print(x_valid.shape, y_valid.shape)
print(x_test.shape, y_test.shape)
输出的结果如下：
接下来就要进行自定义损失函数的学习了
接下来写一个函数，作为自定义的损失函数：
def customized_mse(y_true, y_pred):
return tf.reduce_mean(tf.square(y_pred - y_true))
# m=tf.keras.losses.MeanSquaredError() #用框架提供的对象
model = keras.models.Sequential([
keras.layers.Dense(30, activation='relu',
input_shape=x_train.shape[1:]),
keras.layers.Dense(1),
])
model.summary()
model.compile(loss=customized_mse, optimizer="sgd",
metrics=["mean_squared_error"]) #为了验证自定义损失是否正确
callbacks = [keras.callbacks.EarlyStopping(
patience=5, min_delta=1e-2)]
在训练的时候，模型会对这个函数进行调用，称之为回调函数。
不是在你将函数放在这里就使用，而是在函数的执行过程中调用的函数称之为回调函数。
输出的结果如下：
比较系统所给的mse损失函数与自己所写的损失函数的区别与相同：
这是系统的
mse = tf.keras.losses.MeanSquaredError()
loss = mse([0., 0., 1., 1.], [1., 1., 1., 0.])
loss # Loss: 0.75
输出的结果如下：
调用自己所写的：
customized_mse(np.array([0., 0., 1., 1.]), np.array([1., 1., 1., 0.]))
输出的结果如下：
看以看到在计算逻辑相同的情况下，自己写的和系统所给的是相同的。可以改变自己所写的逻辑来进行改变损失函数的计算
