Keras拟合时间序列输出恒定 适用的鼓励冒险猜测的损失函数

你需要的是优先惩罚中小误差、对大误差惩罚力度增长平缓的损失函数，Keras内置符合要求的损失如下：

• *LogCosh损失（调用名log_cosh）
  误差较小时损失特性近似均方误差，对接近真值的精准预测的损失下降速度快，误差较大时损失特性近似平均绝对误差，大偏差预测的损失增长平缓，天然符合你对精准预测高奖励、极端错误低惩罚的需求。
• *Huber损失（调用类tf.keras.losses.Huber）
  可通过delta参数自定义误差阈值：当预测误差小于delta时采用平方损失，对小误差的惩罚权重更高，鼓励模型输出精准结果；当误差大于delta时采用线性损失，降低极端错误的惩罚力度。你可以将delta设置为全量样本预测平均值时的平均误差的0.7~0.8倍，即可满足1个正确预测加3个完全错误预测的累计损失低于4个平均水平预测累计损失的要求。
• *平均平方对数误差（调用名mean_squared_logarithmic_error，简称MSLE）
  通过对数变换压缩大误差的取值范围，自动放大小误差的相对惩罚权重，对精准预测的奖励效应更明显，仅要求预测目标为非负值，适配绝大多数时间序列的取值场景。

调用示例 #

import tensorflow as tf
# 调用LogCosh损失
model.compile(optimizer="adam", loss="log_cosh")
# 调用自定义阈值的Huber损失
model.compile(optimizer="adam", loss=tf.keras.losses.Huber(delta=0.75))
# 调用MSLE损失
model.compile(optimizer="adam", loss="mean_squared_logarithmic_error")

内容的提问来源于stack exchange，提问作者Pierre Vermot