Tensorflow/Keras中惩罚相对距离的自定义损失函数选型咨询

你精准地抓住了标准MAPE的核心缺陷——它对高估的惩罚远重于低估，完全不符合你想要的「相对距离对称惩罚」需求。下面给你几个在TensorFlow中可直接实现的替代方案，都是针对这个痛点设计的：

1. 对称平均绝对百分比误差（SMAPE） #

这是最常用的对称化替代方案，工业界和学术界都广泛采用。它通过调整分母来消除方向偏差，公式为：

SMAPE = (1/n) × Σ[ |y_pred - y_test| / (|y_test| + |y_pred|) ] × 100

拿你的例子验证：

• 当y_test=5，y_pred=2时：|2-5|/(5+2)=3/7≈0.428
• 当y_test=2，y_pred=5时：|5-2|/(2+5)=3/7≈0.428
  完全对称，完美匹配你的需求。而且它还解决了标准MAPE在y_test接近0时误差爆炸的问题。

TensorFlow自定义实现：

def smape_loss(y_true, y_pred):
    numerator = tf.abs(y_pred - y_true)
    denominator = tf.abs(y_true) + tf.abs(y_pred)
    # 避免分母为0，添加极小值epsilon
    denominator = tf.maximum(denominator, 1e-8)
    # 可选乘以100转换为百分比形式，不乘也不影响训练
    return tf.reduce_mean(numerator / denominator) * 100

2. 对数对称损失 #

如果你更关注预测值与真实值的比例差异，对数对称损失会是很好的选择。它利用对数变换的特性，让「预测值是真实值的k倍」和「真实值是预测值的k倍」的损失完全相等，公式为：

Loss = (1/n) × Σ[ |ln(y_pred/y_test)| ]

还是用你的例子：

• y_test=5，y_pred=2：|ln(2/5)|≈0.916
• y_test=2，y_pred=5：|ln(5/2)|≈0.916
  完全对称，而且这种损失对比例偏差的惩罚是线性的（对数尺度），适合需要严格控制相对比例的场景。

TensorFlow实现：

def log_symmetric_loss(y_true, y_pred):
    # 防止log(0)出现NaN，给真实值和预测值加极小值
    y_true = tf.maximum(y_true, 1e-8)
    y_pred = tf.maximum(y_pred, 1e-8)
    ratio = y_pred / y_true
    return tf.reduce_mean(tf.abs(tf.math.log(ratio)))

3. 自定义对称MAPE（基于最大值的分母） #

如果你想尽量贴近标准MAPE的形式，也可以把分母换成真实值和预测值绝对值的最大值，公式为：

Modified Symmetric MAPE = (1/n) × Σ[ |y_pred - y_test| / max(|y_test|, |y_pred|) ]

你的例子验证：

• y_test=5，y_pred=2：3/max(5,2)=0.6
• y_test=2，y_pred=5：3/max(2,5)=0.6
  结果一致，而且损失值的范围在[0,1]之间，非常直观。

TensorFlow实现：

def modified_symmetric_mape(y_true, y_pred):
    numerator = tf.abs(y_pred - y_true)
    denominator = tf.maximum(tf.abs(y_true), tf.abs(y_pred))
    denominator = tf.maximum(denominator, 1e-8)
    return tf.reduce_mean(numerator / denominator)

额外建议 #

• 如果你的目标变量存在接近0的取值，优先选择SMAPE或对数损失，它们都避免了标准MAPE在y_test≈0时的无穷大误差问题。
• 训练时建议先尝试SMAPE，它的解释性强，是对称百分比损失的首选方案。
• 所有自定义损失里的1e-8是必须的，用来避免TensorFlow计算时出现除以0的NaN错误，破坏训练过程。

内容的提问来源于stack exchange，提问作者Michael