内容
均方误差 (MSE) 损失
二元交叉熵损失
加权二元交叉熵损失
分类交叉熵损失
稀疏分类交叉熵损失
骰子损失
KL 散度损失
平均绝对误差 (MAE) / L1 损耗
胡贝尔损失
均方误差 (MSE) 损失 Mean Squared Error (MSE) Loss
均方误差 (MSE) 损失是回归问题中常用的损失函数,其目标是预测连续变量。损失计算为预测值和真实值之间的平方差的平均值。MSE损失的公式为:
MSE 损失 = (1/n) * sum((y_pred — y_true)²)
在哪里:
n 是数据集中的样本数
y_pred 是目标变量的预测值
y_true 是目标变量的真实值
MSE 损失对异常值很敏感,并且会严重惩罚大错误,这在某些情况下可能是不可取的。在这种情况下,可以使用其他损失函数,例如平均绝对误差 (MAE) 或 Huber 损失。
NumPy 中的实现
import numpy as np
def mse_loss(y_pred, y_true):
"""
Calculates the mean squared error (MSE) loss between predicted and true values.
Args:
- y_pred: predicted values
- y_true: