我正在尝试添加百分比平均绝对误差 (pmae) 作为 keras 中的自定义指标。其定义为(MAE 除以平均绝对 y 值乘以 100)。我尝试过:
def pmae(y_true,y_pred):
return K.mean(K.abs(y_pred - y_true)) / K.mean(K.abs(y_true)) * 100
...
model.compile(loss='mse', optimizer=Adam(),metrics=[pmae])
它可以运行,但值相差很多数量级(当我查看model.history.history.pmae
时)
工作的 numpy 版本(在测试样本上)是:
y_pred = model.predict(X_test)
pmae = abs(y_pred - y_test).mean() / abs(y_true).mean() * 100
我还尝试将 , axis=-1
添加到 K.mean()
调用中,但没有任何改进(如其他 stackoverflow 答案中所建议的那样)。有谁知道出了什么问题吗?
资源
- keras website以 y 的平均值为例:
import keras.backend as K
def mean_pred(y_true, y_pred):
return K.mean(y_pred)
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy', mean_pred])
- 其他人在 stackoverflow 上回答了有关其他自定义指标的问题(例如 Keras custom RMSLE metric 和 how to implement custom metric in keras? ),但那里的回答并没有帮助我进行 pmae 计算。
最佳答案
让我们将您的实现与 mean_absolute_percentage_error
进行比较在喀拉斯:
def mean_absolute_percentage_error(y_true, y_pred):
if not K.is_tensor(y_pred):
y_pred = K.constant(y_pred)
y_true = K.cast(y_true, y_pred.dtype)
diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),
K.epsilon(),
None))
return 100. * K.mean(diff, axis=-1)
基于此,以下内容应该适合您的情况:
def percent_mean_absolute_error(y_true, y_pred):
if not K.is_tensor(y_pred):
y_pred = K.constant(y_pred)
y_true = K.cast(y_true, y_pred.dtype)
diff = K.mean(K.abs((y_pred - y_true)) / K.mean(K.clip(K.abs(y_true),
K.epsilon(),
None)))
return 100. * K.mean(diff)
与您的尝试的主要区别在于,这里 y_true
和 y_pred
都转换为相同的数据类型,并且分母至少为 K.epsilon()
(即 set to 1e-7
by default ),因此如果 y_true
接近 0
,误差不会达到无穷大。
关于python - 如何向keras添加自定义指标? (平均绝对误差百分比),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58104698/