내가 당신을 올바르게 이해한다면, 당신은 과대 평가의 측면에서 실수를하고 싶습니다. 그렇다면 적절한 비대칭 비용 함수가 필요합니다. 간단한 후보 중 하나는 제곱 손실을 조정하는 것입니다.
L :(x,α)→ x2( s g n x + α )2
여기서 은 과소 평가에 대한 과소 평가의 페널티를 없애기 위해 사용할 수있는 매개 변수입니다. 양수의 α는 과대 평가에 불이익을 주므로 α를 음수 로 설정해야합니다 . 파이썬에서는 다음과 같습니다− 1 < α < 1ααdef loss(x, a): return x**2 * (numpy.sign(x) + a)**2
다음으로 몇 가지 데이터를 생성하겠습니다.
import numpy
x = numpy.arange(-10, 10, 0.1)
y = -0.1*x**2 + x + numpy.sin(x) + 0.1*numpy.random.randn(len(x))
마지막으로, tensorflow
자동화 된 차별화를 지원하는 Google의 머신 러닝 라이브러리 인에서 회귀 분석을 수행합니다 (그러한 문제의 그라디언트 기반 최적화가 더 간단 해짐). 이 예제 를 시작점으로 사용 하겠습니다 .
import tensorflow as tf
X = tf.placeholder("float") # create symbolic variables
Y = tf.placeholder("float")
w = tf.Variable(0.0, name="coeff")
b = tf.Variable(0.0, name="offset")
y_model = tf.mul(X, w) + b
cost = tf.pow(y_model-Y, 2) # use sqr error for cost function
def acost(a): return tf.pow(y_model-Y, 2) * tf.pow(tf.sign(y_model-Y) + a, 2)
train_op = tf.train.AdamOptimizer().minimize(cost)
train_op2 = tf.train.AdamOptimizer().minimize(acost(-0.5))
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init)
for i in range(100):
for (xi, yi) in zip(x, y):
# sess.run(train_op, feed_dict={X: xi, Y: yi})
sess.run(train_op2, feed_dict={X: xi, Y: yi})
print(sess.run(w), sess.run(b))
cost
는 비정규 acost
손실 함수 인 반면, 정규 제곱 오차 입니다.
당신이 사용 cost
하면 얻을
1.00764 -3.32445
당신이 사용 acost
하면 얻을
1.02604 -1.07742
acost
과소 평가하지 않으려 고한다. 수렴을 확인하지는 않았지만 아이디어를 얻었습니다.