当前位置：文档库 › 损失函数 Losses - Keras 中文文档

损失函数 Losses - Keras 中文文档

Docs ? 损失函数 Losses

损失函数的使用

损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一：

https://www.wendangku.net/doc/888139244.html,pile(loss='mean_squared_error', optimizer='sgd')

from keras import losses

https://www.wendangku.net/doc/888139244.html,pile(loss=losses.mean_squared_error, optimizer='sgd')

你可以传递一个现有的损失函数名，或者一个 T ensorFlow/Theano 符号函数。该符号函数为每个数据点返回一个标量，有以下两个参数:

y_true: 真实标签。T ensorFlow/Theano 张量。

y_pred: 预测值。T ensorFlow/Theano 张量，其 shape 与 y_true 相同。

实际的优化目标是所有数据点的输出数组的平均值。

有关这些函数的几个例子，请查看losses source。

可用损失函数

mean_squared_error

mean_squared_error(y_true, y_pred)

mean_absolute_error

mean_absolute_error(y_true, y_pred)

mean_absolute_percentage_error

mean_absolute_percentage_error(y_true, y_pred)

mean_squared_logarithmic_error

mean_squared_logarithmic_error(y_true, y_pred)

squared_hinge

squared_hinge(y_true, y_pred)

hinge

hinge(y_true, y_pred)

categorical_hinge

categorical_hinge(y_true, y_pred)

logcosh

logcosh(y_true, y_pred)

预测误差的双曲余弦的对数。

对于小的x，log(cosh(x))近似等于(x ** 2) / 2。对于大的x，近似于abs(x) -

log(2)。这表示 'logcosh' 与均方误差大致相同，但是不会受到偶尔疯狂的错误预测的强烈影响。

参数

y_true: 目标真实值的张量。

y_pred: 目标预测值的张量。

每个样本都有一个标量损失的张量。

categorical_crossentropy

categorical_crossentropy(y_true, y_pred)

sparse_categorical_crossentropy

sparse_categorical_crossentropy(y_true, y_pred)

binary_crossentropy

binary_crossentropy(y_true, y_pred)

kullback_leibler_divergence

kullback_leibler_divergence(y_true, y_pred)

poisson

poisson(y_true, y_pred)

cosine_proximity

cosine_proximity(y_true, y_pred)

注意: 当使用categorical_crossentropy损失时，你的目标值应该是分类格式 (即，如果你有 10个类，每个样本的目标值应该是一个 10 维的向量，这个向量除了表示类别的那个索引为 1，其他均为 0)。为了将整数目标值转换为分类目标值，你可以使用 Keras 实用函数

to_categorical：

from keras.utils.np_utils import to_categorical

categorical_labels = to_categorical(int_labels, num_classes=None)

Logistic回归分析简介

Logistic回归分析简介 Logistic回归：实际上属于判别分析，因拥有很差的判别效率而不常用。1．应用范围： ①适用于流行病学资料的危险因素分析 ②实验室中药物的剂量-反应关系 ③临床试验评价 ④疾病的预后因素分析 2．Logistic回归的分类： ①按因变量的资料类型分：二分类多分类其中二分较为常用 ②按研究方法分：条件Logistic回归非条件Logistic回归两者针对的资料类型不一样，后者针对成组研究，前者针对配对或配伍研究。 3．Logistic回归的应用条件是： ①独立性。各观测对象间是相互独立的； ②LogitP与自变量是线性关系； ③样本量。经验值是病例对照各50例以上或为自变量的5-10倍（以10倍为宜），不过随着统计技术和软件的发展，样本量较小或不能进行似然

估计的情况下可采用精确logistic回归分析，此时要求分析变量不能太多，且变量分类不能太多； ④当队列资料进行logistic回归分析时，观察时间应该相同，否则需考虑观察时间的影响（建议用Poisson回归）。 4．拟和logistic回归方程的步骤： ①对每一个变量进行量化，并进行单因素分析； ②数据的离散化，对于连续性变量在分析过程中常常需要进行离散变成等级资料。可采用的方法有依据经验进行离散，或是按照四分、五分位数法来确定等级，也可采用聚类方法将计量资料聚为二类或多类，变为离散变量。 ③对性质相近的一些自变量进行部分多因素分析，并探讨各自变量（等级变量，数值变量）纳入模型时的适宜尺度，及对自变量进行必要的变量变换； ④在单变量分析和相关自变量分析的基础上，对P≤α（常取0.2，0.15或 0.3）的变量，以及专业上认为重要的变量进行多因素的逐步筛选；模型程序每拟合一个模型将给出多个指标值，供用户判断模型优劣和筛选变量。可以采用双向筛选技术：a进入变量的筛选用score统计量或G统计量或LRS(似然比统计量)，用户确定P值临界值如：0.05、0.1或0.2，选择统计量显著且最大的变量进入模型；b剔除变量的选择用Z统计量(Wald 统计量)，用户确定其P值显著性水平，当变量不显者，从模型中予以剔除。这样，选入和剔除反复循环，直至无变量选入，也无变量删除为止，选入或剔除的显著界值的确定要依具体的问题和变量的多寡而定，一般

求函数解析式的几种常用方法

求函数解析式的几种常用方法 -CAL-FENGHAI.-(YICAI)-Company One1

求函数解析式的几种常用方法一、高考要求: 求解函数解析式是高考重点考查内容之一，需引起重视.本节主要帮助考生在深刻理解函数定义的基础上，掌握求函数解析式的几种方法，并形成能力，并培养考生的创新能力和解决实际问题的能力. 重难点归纳: 求解函数解析式的几种常用方法主要有: 1.待定系数法，如果已知函数解析式的构造时，用待定系数法； 2.换元法或配凑法，已知复合函数f ［g (x )］的表达式可用换元法，当表达式较简单时也可用配凑法； 3.消参法，若已知抽象的函数表达式，则用解方程组消参的方法求解f (x ); 另外，在解题过程中经常用到分类讨论、等价转化等数学思想方法. 二、题例讲解: 例1．(1)已知函数f (x )满足f (log a x )= )1 (1 2x x a a --.(其中a >0,a ≠1,x >0),求f (x )的表达式. (2)已知二次函数f (x )=ax 2+bx +c 满足|f (1)|=|f (－1)|=|f (0)|=1,求f (x )的表达式. 命题意图:本题主要考查函数概念中的三要素:定义域、值域和对应法则，以及计算能力和综合运用知识的能力. 知识依托:利用函数基础知识，特别是对“f ”的理解，用好等价转化，注意定义域. 错解分析:本题对思维能力要求较高，对定义域的考查、等价转化易出错. 技巧与方法:(1)用换元法；(2)用待定系数法. 解:(1)令t=log a x (a >1,t >0;01,x >0;0