tf.keras.losses.CategoricalHinge 损失函数示例

import tensorflow as tf

铰链损失函数

它可用于“最大间隔(max-margin)”分类，其最著名的应用是作为SVM的损失函数。

二分类

多分类

y_true = [[0, 1], [0, 0]]
y_pred = [[0.6, 0.4], [0.4, 0.6]]
# Using 'auto'/'sum_over_batch_size' reduction type.
h = tf.keras.losses.CategoricalHinge()
h(y_true, y_pred).numpy()

1.4000001

tf.keras.losses.CategoricalHinge 损失函数示例相关推荐

tf.keras.losses.Poisson 损失函数示例
泊松损失函数预测值为为 PPP ,真实值 TTT . poisson(P,T)=1n∑i=1n(Pi−Tilog(Pi))poisson(P,T)=\frac{1}{n}\sum_{i=1}^{n} ...
tf.keras.losses.SquaredHinge 损失函数示例
平方铰链 loss=(Max(1−正确值×预测值,0))2loss=(Max(1-正确值\times 预测值,0))^{2}loss=(Max(1−正确值×预测值,0))2 正确值应为 -1 或 1. ...
tf.keras.losses.MeanAbsolutePercentageError 损失函数示例
平均绝对百分比误差 MAPE MAPE 是 MAD 的变形,它是一个百分比值,因此比其他统计量更容易理解.例如,如果 MAPE 为 5,则表示预测结果较真实结果平均偏离 5 %.MAPE 的计算公式如 ...
tf.keras.losses.MeanAbsoluteError 损失函数示例
平均绝对值误差计算标签和预测之间的绝对差值的平均值.‎ import tensorflow as tf y_true = [[0., 1.], [0., 0.]] y_pred = [[1., 1. ...
tf.keras.losses.Huber 损失函数示例
Huber损失,平滑的平均绝对误差 Huber损失对数据中的异常点没有平方误差损失那么敏感. 本质上,Huber损失是绝对误差,只是在误差很小时,就变为平方误差.误差降到多小时变为二次误差由超参数δ( ...
tf.keras.losses.BinaryCrossentropy 损失函数示例
import tensorflow as tf 计算真实标签和预测标签之间的交叉熵损失. 将此交叉熵损失用于二进制(0 或 1)分类应用程序.即2分类问题参数 y_true (真实标签):此值为 0 ...
TensorFlow tf.keras.losses.CategoricalHinge
铰链损失函数(Hinge Loss)主要用于SVM中,最大化分割超平面的距离 ch = tf.keras.losses.CategoricalHinge() loss = ch([0., 1., 1. ...
tf.keras.losses.MeanSquaredLogarithmicError 损失函数的用法
均方对数误差 error=1n∑i=1n(log(pi+1)−log(ai+1))2error = \frac{1}{n}\sum_{i=1}^{n}(log(p_{i}+1)-log(a_{i}+1 ...
tf.keras.losses.SparseCategoricalCrossentropy详解
目录 tf.keras.losses.SparseCategoricalCrossentropy的作用 tf.keras.losses.SparseCategoricalCrossentropy的示例 ...

tf.keras.losses.CategoricalHinge 损失函数示例

铰链损失函数

二分类

多分类

tf.keras.losses.CategoricalHinge 损失函数示例相关推荐

最新文章

热门文章