mean_squared_error / mse 均方誤差，常用的目標(biāo)函數(shù)，公式為((y_pred-y_true)**2).mean()

model = Sequential()  
model.add(Dense(64, init='uniform', input_dim=10))  
model.add(Activation('tanh'))  
model.add(Activation('softmax'))  
   
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)  
model.compile(loss='mean_squared_error', optimizer=sgd) 

補(bǔ)充知識(shí)：(Keras)——keras 損失函數(shù)與評(píng)價(jià)指標(biāo)詳解

1、目標(biāo)函數(shù)

(1）mean_squared_error / mse 均方誤差，常用的目標(biāo)函數(shù)，公式為((y_pred-y_true)**2).mean()

(2）mean_absolute_error / mae 絕對(duì)值均差，公式為(|y_pred-y_true|).mean()

(3) mean_absolute_percentage_error / mape公式為：(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的區(qū)別就是，累加的是（預(yù)測(cè)值與實(shí)際值的差）除以（剔除不介于epsilon和infinite之間的實(shí)際值)，然后求均值。

(4)mean_squared_logarithmic_error / msle公式為： (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1)，這個(gè)就是加入了log對(duì)數(shù)，剔除不介于epsilon和infinite之間的預(yù)測(cè)值與實(shí)際值之后，然后取對(duì)數(shù)，作差，平方，累加求均值。

(5)squared_hinge 公式為：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1減去預(yù)測(cè)值與實(shí)際值乘積的結(jié)果與0比相對(duì)大的值的平方的累加均值。

(6)hinge 公式為：(max(1-y_truey_pred,0)).mean(axis=-1)，取1減去預(yù)測(cè)值與實(shí)際值乘積的結(jié)果與0比相對(duì)大的值的的累加均值。

(7)binary_crossentropy: 常說(shuō)的邏輯回歸, 就是常用的交叉熵函

(8)categorical_crossentropy: 多分類(lèi)的邏輯

2、性能評(píng)估函數(shù)：

(1)binary_accuracy: 對(duì)二分類(lèi)問(wèn)題,計(jì)算在所有預(yù)測(cè)值上的平均正確率

(2)categorical_accuracy:對(duì)多分類(lèi)問(wèn)題,計(jì)算再所有預(yù)測(cè)值上的平均正確率

(3)sparse_categorical_accuracy:與categorical_accuracy相同,在對(duì)稀疏的目標(biāo)值預(yù)測(cè)時(shí)有用

(4)top_k_categorical_accracy: 計(jì)算top-k正確率,當(dāng)預(yù)測(cè)值的前k個(gè)值中存在目標(biāo)類(lèi)別即認(rèn)為預(yù)測(cè)正確

(5)sparse_top_k_categorical_accuracy：與top_k_categorical_accracy作用相同，但適用于稀疏情況

以上這篇淺談keras中的目標(biāo)函數(shù)和優(yōu)化函數(shù)MSE用法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論