回归问题的 Hyperas 损失函数

Question

我已经使用 Keras 构建了一个模型来解决回归问题。我想对此模型执行超参数优化。作为指标，我使用 val_mean_absolute_error。在这个例子中，只涉及分类问题（在 https://github.com/maxpumperla/hyperas 上可用）

validation_acc = np.amax(result.history['val_acc']) 
print('Best validation acc of epoch:', validation_acc)
return {'loss': -validation_acc, 'status': STATUS_OK, 'model': model}

如何针对回归问题调整此代码（使用 val_mean_absolute_error 作为指标）？

Answer 1

对于回归问题，我们通常不定义单独的指标，使用损失本身来评估模型性能（越低越好）；因此，假设您使用 mae 作为损失，并且您已将模型编译为

model.compile(loss='mae', optimizer={{choice(['rmsprop', 'adam', 'sgd'])}})

这是您应该如何修改链接示例中的代码：

#get the lowest validation loss of the training epochs
validation_loss = np.amin(result.history['val_loss']) 
print('Best validation loss of epoch:', validation_loss)
return {'loss': validation_loss, 'status': STATUS_OK, 'model': model}

确实有人在类似情况下为metrics=['mae']添加编译参数，但这是不必要的。

回归问题的 Hyperas 损失函数

Hyperas loss function for regression problem

python

machine-learning

keras

regression

hyperas