我使用 Keras 构建了一个模型来解决回归问题。我想对此模型执行超参数优化。我使用 val_mean_absolute_error 作为指标。示例中仅涉及分类问题(可在 https://github.com/maxpumperla/hyperas 上找到)
validation_acc = np.amax(result.history['val_acc'])
print('Best validation acc of epoch:', validation_acc)
return {'loss': -validation_acc, 'status': STATUS_OK, 'model': model}
如何调整此代码以解决回归问题(使用 val_mean_absolute_error 作为指标)？
最佳答案
对于回归问题，我们通常不会定义单独的指标，而是使用损失本身来评估模型性能(越低越好)；因此，假设您使用 mae 作为损失，并且您已将模型编译为
model.compile(loss='mae', optimizer={{choice(['rmsprop', 'adam', 'sgd'])}})
这是您应该如何修改链接示例中的代码:
#get the lowest validation loss of the training epochs
validation_loss = np.amin(result.history['val_loss'])
print('Best validation loss of epoch:', validation_loss)
return {'loss': validation_loss, 'status': STATUS_OK, 'model': model}
确实，有些人在类似情况下为 metrics=['mae'] 添加了编译参数，但这是不必要的。
关于python - 回归问题的 Hyperas 损失函数，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/54957904/