Question

我已经使用Keras建立了一个模型来解决回归问题。我想对该模型执行超参数优化。作为指标，我使用了val_mean_absolute_error。在该示例中，仅涵盖分类问题（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（使用val_mean_absolute_error作为指标）调整此代码？

Answer 1

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

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

这是修改链接示例中的代码的方法：

#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}

在某些情况下，确实有人为metrics=['mae']添加了一个编译参数，但这是不必要的。

回归问题的Hyperas损失函数

1 个答案: