【损失函数】Quantile Loss 分位数损失

已于 2024-01-04 10:53:54 修改
阅读量7.6k 收藏 34
点赞数 19
分类专栏： 深度学习 损失函数 机器学习 文章标签： 深度学习 机器学习 回归
于 2024-01-03 20:31:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Next_SummerAgain/article/details/135371892
版权

1、介绍

Quantile Loss（分位数损失）是用于回归问题的一种损失函数，它允许我们对不同分位数的预测误差赋予不同的权重。这对于处理不同置信水平的预测非常有用，例如在风险管理等领域。

当我们需要对区间预测而不单是点预测时 分位数损失函数可以发挥很大作用

2、公式

$Quantile Loss=\frac{1}{N} \sum_{i=1}^N \mathbb{I}_{\hat{y}_i \geq y_i}(1-\gamma)\left|y_i-\hat{y}_i\right|+\mathbb{I}_{\hat{y}_i<y_i} \gamma\left|y_i-\hat{y}_i\right|$

其中，{y}_i是实际目标值，

最低0.47元/天 解锁文章
分位数损失和分位数回归
gongdiwudu的专栏
10-18 3703
在本文中，我们将了解一种称为分位数损失的特殊损失函数，用于预测特定变量分位数。在深入研究分位数损失的细节之前，让我们简要回顾一下分位数这一术语。
【回归算法解析系列12】分位数回归（Quantile Regression）
最新发布
Is code
03-20 1308
分位数回归凭借其独特的非对称损失函数，为我们揭示了变量关系的分布特征，使我们能够从全分布视角理解数据。在风险管理和费用预测等场景中，分位数回归具有传统回归方法不可替代的价值。同时，通过将分位数回归与神经网络相结合，能够有效处理高维非线性问题，进一步拓展了其应用范围。
神经网络中的分位数回归和分位数损失
deephub
12-31 6462
分位数回归是一种强大的统计工具，对于那些关注数据分布中不同区域的问题，以及需要更加灵活建模的情况，都是一种有价值的方法。本文将介绍了在神经网络种自定义损失实现分位数回归，并且介绍了如何检测和缓解预测结果的"扁平化"问题。Quantile loss在一些应用中很有用，特别是在金融领域的风险管理问题中，因为它提供了一个在不同分位数下评估模型性能的方法。作者：Shiro Matsumoto。
如何选择合适的损失函数
ZJQ的博客
08-27 1445
如何选择合适的损失函数 1、均方误差，二次损失，L2损失（Mean Square Error, Quadratic Loss, L2 Loss） 2、平均绝对误差，L1损失（Mean Absolute Error, L1 Loss） 3、MSE vs MAE （L2损失 vs L1损失） 如果离群点是会影响业务、而且是应该被检测到的异常值，那么我们应该使用MSE。L2 如果我们认为离群点仅仅代表数据损坏，那么我们应该选择MAE作为损失。L1 3、Huber Loss，平滑的平均绝对误差 为
回归损失函数 ： Huber Loss,Log Cosh Loss,Quantile Loss
Brook_cv的博客
12-17 2215
均方误差（Mean Square Error,MSE）和平均绝对误差（Mean Absolute Error,MAE) 是回归中最常用的两个损失函数，但是其各有优缺点。为了避免MAE和MSE各自的优缺点，在Faster R-CNN和SSD中使用SmoothL1\text{Smooth} L_1SmoothL1​损失函数，当误差在[−1,1][-1,1][−1,1] 之间时，SmoothL1\tex...
分位数损失函数（quantile loss）
weixin_38502514的博客
07-06 5203
分位数损失函数（quantile loss）什么是分位数损失函数python代码运行结果 什么是分位数损失函数 q分位数的损失函数为： loss(y,yp)=q∗max(0,y−yp)+(1−q)∗max(0,yp−y,), loss(y,y^p) = q*max(0,y-y^p)+(1-q)*max(0,y^p-y,), loss(y,yp)=q∗max(0,y−yp)+(1−q)∗max(0,yp−y,), 其中yyy是真实值，ypy^pyp是预测值。 python代码 import numpy as
quantile损失函数
凝眸伏笔的博客
06-27 697
不同于传统的均方误差（MSE）损失，分位数损失能够捕捉到分布的非对称性，特别是在处理具有非均匀误差分布的数据时。损失函数是一种用于回归问题的损失函数，也称为分位数损失函数。在这个上下文中，它标识了一种特定类型的目标函数，通常用于训练回归模型以预测某个分布的条件分位数。(这通常表示中位数)，分位数损失函数就成为了绝对误差损失函数，使得损失对预测值的高估和低估是对称的。总的来说，分位数损失函数是回归问题中对模型的预测分布进行微调的有效方法，尤其适用于预测值的分布不均匀时。
分位数回归损失函数代码实现解析
Jimmysaid的博客
11-26 2487
分位数回归 损失函数 的代码实现
Keras自定义损失函数-quantile_loss
04-07 3568
keras源码git地址 自己写函数，必然要参考官方写法，照猫画虎，取其精华，迎刃而解 核心是定义了loss类，那么在实践中可以继承loss类然后写自己的损失类，比如mse，mae这些loss， 当然为了方便，也可以自己实现函数，给大家个quantile loss的例子 def quantile_loss(y_true, y_pred, quantile=0.9): y_pred = tf.convert_to_tensor(y_pred) y_true = tf.cast(y
Quantile Loss
天下月色共三分的博客
11-03 395
基本上，在这种情况下，量值损失对低估预测的惩罚是高估预测的 4 倍。因此，拟合模型平均在大约 80% 的情况下会高估结果，在 20% 的情况下会低估结果。让我们计算两种情况下的量化损失。为了更好地理解其背后的逻辑，假设我们的目标是预测 80 分位数，因此将 α = 0.8 的值插入公式中。事实上，这句话等同于预测误差在 75% 的情况下必须为负，而在另外 25% 的情况下必须为正。定量qₐ是一个值，它将一组给定的数字进行划分，其中 α * 100%的数字小于该值，(1-α) * 100%的数字大于该值。
回归损失函数2 ： HUber loss,Log Cosh Loss,以及 Quantile Loss
a21700790yan的博客
12-17 1735
均方误差（Mean Square Error,MSE）和平均绝对误差（Mean Absolute Error,MAE) 是回归中最常用的两个损失函数，但是其各有优缺点。为了避免MAE和MSE各自的优缺点，在Faster R-CNN和SSD中使用SmoothL1SmoothL1损失函数，当误差在[−1,1][−1,1]之间时，SmoothL1SmoothL1损失函数近似于MSE，能够快速的收敛；在...
深度学习中的损失函数
qq_30150579的博客
03-25 2276
深度学习中的损失函数
常用的损失函数
qq_41048761的博客
04-19 1万+
pytorch的源码：torch.nn — PyTorch 1.11.0 documentation jittor的源码：jittor.nn — Jittor 1.3.2.6 文档 (tsinghua.edu.cn) 目录 一、回归损失函数 1.1 MSE[均方误差Mean Square Error，二次损失Quadratic Loss，L2损失L2 Loss] 1.2 MAE[平均绝对误差Mean Absolute Error，L1损失L1 Loss] 1.3 Huber Loss...
回归损失函数：L1，L2，Huber，Log-Cosh，Quantile Loss
热门推荐
clover_my的博客
06-04 1万+
回归损失函数：L1，L2，Huber，Log-Cosh，Quantile Loss 机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模型预测能力的好坏。 在实际应用中，选取损失函数会受到诸多因素的制约，比如是否有异常值、机器学习算法的选择、梯度下降的时间复杂度、求导的难易程度以及预测值的置...
深度学习（17）机器学习常用的损失函数
weixin_42535423的博客
11-26 4042
损失函数分类损失函数一、LogLoss对数损失函数（逻辑回归，交叉熵损失）二、 指数损失函数（Adaboost）三、Hinge损失函数（SVM）回归损失函数一、均方误差、平方损失-L2损失：二、平均绝对误差-L1损失函数：平均绝对误差和均方误差（L1&L2）比较：三、Huber损失——平滑平均绝对误差四、Log-Cosh损失函数五、分位数损失（Quantile Loss）了解分位数损失函数比较研究：总结 分类损失函数 一、LogLoss对数损失函数（逻辑回归，交叉熵损失） 有些人可能觉得逻辑回归的损
机器学习中常见的损失函数_机器学习中最常见的损失函数
weixin_26630173的博客
08-28 3245
机器学习中常见的损失函数 现实世界中的DS (DS IN THE REAL WORLD) In mathematical optimization and decision theory, a loss function or cost function is a function that maps an event or values of one or more variables onto...
利用LSTM和quantile regression（分位数回归）的异常行为检测
拉风小宇的博客
04-05 7023
本文翻译自：Anomaly Detection with LSTM in Keras-- Marco Cerliani “异常行为”（anomaly）的定义在不同的上下文中会有区别。在这种混乱中，我们可以知道：异常行为与我们感关注的领域密切相关。 异常检测在商业中是非常有用的，并且检测的难度取决于应用领域。如果遇到涉及人们活动的异常检测问题（例如对销售或需求的预测），则可以利用人们行为的基本...
Python统计学11——分位数回归
weixin_46277779的博客
09-07 6687
Python实现分位数回归
pytorch 分位数损失函数
01-24
在PyTorch中，分位数损失函数可以通过使用torch.quantile_loss()函数来实现。该函数计算了预测值与目标值之间的分位数损失。 下面是一个使用torch.quantile_loss()函数计算分位数损失的示例： ```python import torch # 定义预测值和目标值 predictions = torch.tensor([0.5, 0.8, 0.2, 0.4]) targets = torch.tensor([0.6, 0.7, 0.3, 0.5]) # 计算分位数损失 quantile = 0.5 # 分位数为0.5，即中位数 loss = torch.quantile_loss(predictions, targets, quantile) print("Quantile loss:", loss.item()) ``` 输出结果为： ``` Quantile loss: 0.075 ``` 在上述示例中，我们首先定义了预测值和目标值的张量。然后，我们使用torch.quantile_loss()函数计算了预测值和目标值之间的分位数损失。在这个例子中，我们选择了分位数为0.5，即中位数。最后，我们打印出计算得到的分位数损失。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值