（カスタム）パーセンタイルMSE損失関数

AnnieTheKatsu :

私は（X_1）、...、F（x_nに関する）fの入力変数x_1、...、x_nに関する及びd次元の出力を有しKerasモデルを持っています。d次元ターゲットはY_1と私は回帰問題に取り組んでいる、...、y_n。

Iは、損失関数を最小化したい：0と1の間の固定されたメタパラメータAについてのA ^番目（経験的）分位を返します|f(x_i)-y_i|^2。

ここで私はこれまでにコード化されたものです。

def keras_custom_loss(y_true,y_predicted):
    SEs = K.square(y_true-y_predicted)
    out_custom = tfp.stats.percentile(SEs, 50.0, interpolation='midpoint')
    return out_custom

1つの問題は、私はtensorflow_probabilityを使用しないようしたいと私はKerasで行わ全体の実装を好むだろうということです。

しかし、私はどのように把握することはできません。

ダニエル・メーラー：

そのパーセンタイル以上の「すべての要素を」取るために、あなたは別の答えが必要になります。

import keras.backend as K
from keras.layers import *
from keras.models import Model
import numpy as np
import tensorflow as tf

def above_percentile(x, p): #assuming the input is flattened: (n,)

    samples = K.cast(K.shape(x)[0], K.floatx()) #batch size
    p =  (100. - p)/100.  #100% will return 0 elements, 0% will return all elements

    #samples to get:
    samples = K.cast(tf.math.floor(p * samples), 'int32')
        #you can choose tf.math.ceil above, it depends on whether you want to
        #include or exclude one element. Suppose you you want 33% top,
        #but it's only possible to get exactly 30% or 40% top:
        #floor will get 30% top and ceil will get 40% top.
        #(exact matches included in both cases)

    #selected samples
    values, indices = tf.math.top_k(x, samples)

    return values

def custom_loss(p):
    def loss(y_true, y_predicted):
        ses = K.square(y_true-y_predicted)
        above = above_percentile(K.flatten(ses), p)
        return K.mean(above)
    return loss

テスト：

dataX = np.array([2,3,1,4,7,10,8,5,6]).reshape((-1,1))
dataY = np.ones((9,1))


ins = Input((1,))
outs = Lambda(lambda x: x)(ins)
model = Model(ins, outs)

model.compile(optimizer='adam', loss = custom_loss(70.))
model.fit(dataX, dataY)

損失は次のようになります65されている130/2（平均値）。そして130 = (10-1)² + (8-1)²、ビーイング10と8入力の2トップのk。

（カスタム）パーセンタイルMSE損失関数

おすすめ