我正在处理时间序列数据,提前预测60天。
我目前正在使用均方误差作为我的损失函数且结果不好
我想实现一个加权均方误差,以便早期输出比后一个更重要。
加权均方根公式:
所以我需要一些方法来迭代张量的元素,带有索引(因为我需要同时迭代预测值和真值,然后将结果写入只有一个元素的张量。是(?,60)但真的(1,60)列表。
我正在尝试的任何工作都没有。这是破碎版本的代码
def weighted_mse(y_true,y_pred):
wmse = K.cast(0.0,'float')
size = K.shape(y_true)[0]
for i in range(0,K.eval(size)):
wmse += 1/(i+1)*K.square((y_true[i]-y_pred)[i])
wmse /= K.eval(size)
return wmse
我目前收到此错误:
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'dense_2_target' with dtype float
[[Node: dense_2_target = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
阅读了类似帖子的回复后,我认为掩码不能完成任务,并且在一个张量中循环元素也行不通,因为我无法访问其他张量中的相应元素
任何建议都将不胜感激
答案 0 :(得分:6)
您可以使用此方法:
def weighted_mse(yTrue,yPred):
ones = K.ones_like(yTrue[0,:]) #a simple vector with ones shaped as (60,)
idx = K.cumsum(ones) #similar to a 'range(1,61)'
return K.mean((1/idx)*K.square(yTrue-yPred))
ones_like
与cumsum
的使用允许您将此损失函数用于任何类型的(samples,classes)
输出。
提示:使用张量时始终使用backend functions。您可以使用切片,但避免迭代。