Python神经网络中带Exposure偏移量的Poisson回归代码正确性问询

我有包含65个特征变量的大型计数数据，以Claims为因变量、Exposure为偏移量，希望在Python神经网络中实现Poisson损失函数。以下是两段实现代码，咨询它们的实现方式是否正确：

第一段代码 #

LOGEXP01 = np.log2(EXP01) # log of exposure variable

# Define the model
model = tf.keras.Sequential([
    tf.keras.layers.Dense(66, activation='linear', input_shape=(66,)),
    tf.keras.layers.Dense(1, activation='relu')
])

# Compile the model with Poisson loss
model.compile(optimizer='Adam', loss="poisson")

#x1s is 65 feature variables, combine features variables with exposure
X_exp = np.concatenate((x1s, LOGEXP01), axis=1)

# Train the model (y01 is claims response variable)
model.fit([X_exp], y01, epochs=10, batch_size=32)

正确性分析：完全错误 #

• 偏移量用法错误：Poisson回归中，偏移量是固定的校正项，需将log(exposure)直接加到线性预测器上，而非作为可学习的特征输入。这段代码把log2(EXP01)和特征拼接，让模型自主学习偏移量的权重，违背了偏移量的定义。
• 输出层激活错误：Poisson分布的率参数λ必须严格为正，标准做法是在对数空间输出后指数化，ReLU无法保证输出在对数空间的合理性，且和内置poisson损失的预期输出不匹配。
• 损失函数匹配错误：Keras内置的"poisson"损失要求模型输出直接是率参数λ，但这段代码的模型输出逻辑和偏移量结合方式完全不符合该损失的预期，无法正确计算带偏移量的Poisson似然。

第二段代码 #

inputs = Input(shape=(X_train.shape[1],))   
x = Dense(65, activation="relu")(inputs)  
x = Dense(45, activation="relu")(x)  
x = Dense(10, activation="relu")(x)  
rate = Dense(1, activation=tf.exp)(x)  
p_y = tfp.layers.DistributionLambda(tfd.Poisson)(rate)  
model_p = Model(inputs=inputs, outputs=p_y)

def NLL(y_true, y_hat, exposure):    
    return -y_hat.log_prob(y_true, exposure) 

model_p.compile(Adam(learning_rate=0.01), loss=NLL(E_train)) 

#X_train is 65 feature variables, y_train is response claims, E_train is offset exposure.

hist_p = model_p.fit(x=X_train, y=y_train, validation_split=0.2, epochs=10, verbose=1, sample_weight=E_train)

正确性分析：思路接近但存在多处关键错误 #

• 损失函数参数错误：Keras自定义损失函数默认仅接受y_true和y_pred两个参数，这段代码额外添加exposure参数，且编译时直接传入NLL(E_train)，会导致参数不匹配，运行时触发报错。
• Poisson分布调用错误：tfd.Poisson的log_prob方法仅接受观测值作为输入，不支持直接传入exposure实现偏移量。带偏移量的Poisson模型中，正确的率参数应为λ = exp(模型预测值 + log(exposure))，需手动将偏移量的对数加到模型输出上。
• 样本权重误用：代码中同时尝试用sample_weight=E_train和损失函数传入exposure，样本权重和偏移量是完全不同的概念——偏移量是模型结构的一部分，用于校正不同样本的暴露时长/规模；样本权重用于调整不同样本的损失权重，二者不能混淆。

正确实现思路参考 #

带偏移量的Poisson神经网络的核心逻辑是：将log(exposure)作为固定项加到模型的对数线性预测器上，再指数化得到率参数λ，最后基于λ计算负对数似然损失。以下是简化的正确实现示例：

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

# 输入：65个特征变量
inputs = Input(shape=(65,))
x = Dense(65, activation="relu")(inputs)
x = Dense(45, activation="relu")(x)
x = Dense(10, activation="relu")(x)
# 输出对数线性预测器（无激活，保持在对数空间）
log_pred = Dense(1)(x)

# 自定义带偏移量的Poisson损失函数
def poisson_offset_loss(exposure):
    def loss(y_true, log_pred):
        # 合并模型预测值与偏移量的对数，得到log(λ)
        log_lambda = log_pred + tf.math.log(exposure)
        lambda_ = tf.exp(log_lambda)
        # Poisson负对数似然（忽略常数项log(y_true!)，不影响优化）
        return tf.reduce_mean(lambda_ - y_true * log_lambda)
    return loss

# 编译模型
model = Model(inputs=inputs, outputs=log_pred)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), 
              loss=poisson_offset_loss(E_train))

# 训练模型
model.fit(X_train, y_train, validation_split=0.2, epochs=10, batch_size=32)

内容的提问来源于stack exchange，提问作者F74