我有一个回归问题，但成本函数不同:低估的成本高于高估的成本。例如，如果预测值 < 真实值，则成本将为 3*(true-predicted)^2；如果预测值 > 真实值，则成本将为 1*(真实预测)^2。
我正在考虑使用经典回归模型，例如线性回归、随机森林等。我应该进行哪些修改来调整此成本函数？
据我所知，scikit-learn等ML API不提供直接修改成本函数的功能。如果我必须使用这些 API，我该怎么办？
有什么推荐的读物吗？
最佳答案
您可以使用 Tensorflow(或 theano)来实现自定义成本函数。常见的线性回归实现是 here .
要了解如何实现自定义成本函数，查看在 tensorflow 中实现的 huber 损失函数可能会对您有所帮助。这是您的自定义成本函数，您应该在链接代码中替换它，而不是
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
在链接的代码中，您将拥有:
error = y_known - y_pred
condition = tf.less(error, 0)
overestimation_loss = 1 * tf.square(error)
underestimation_loss = 3 * tf.square(error)
cost = tf.reduce_mean(tf.where(condition, overestimation_loss, underestimation_loss))
这里，当条件为真时，误差小于零，这意味着 y_known 小于 y_pred，因此您会高估损失，因此 tf.where 语句将选择 overestimation_loss，否则低估损失。
秘诀在于，您将计算这两种损失，并使用 tf.where 和条件选择在何处使用它们。
更新:
如果想使用其他库，如果huber loss已实现，您可以看看以获取想法，因为 huber 损失是与您类似的条件损失函数。
关于machine-learning - 低估和高估的不同成本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44791431/