TweedieLoss#

class pytorch_forecasting.metrics.point.TweedieLoss(reduction='mean', p: float = 1.5, **kwargs)[来源]#

基类: MultiHorizonMetric

Tweedie 损失。

具有对数链接的Tweedie回归。它可能有用，例如，用于建模保险中的总损失，或用于任何可能遵循Tweedie分布的目标。

损失将在网络输出之前取指数，随后作为预测返回。因此，目标归一化器应该没有“逆”变换，例如，对于TimeSeriesDataSet初始化，可以使用：

from pytorch_forecasting import TimeSeriesDataSet, EncoderNormalizer

dataset = TimeSeriesDataSet(
    target_normalizer=EncoderNormalizer(transformation=dict(forward=torch.log1p))
)

请注意，在这个例子中，数据在归一化之前进行了log1p变换，但没有重新变换。 TweedieLoss在网络输出去归一化之后应用这个“exp”-重新变换。结果就是模型预测。

Parameters:

p (float, optional) – tweedie方差幂，必须大于等于1.0且小于2.0。接近2时转变为Gamma分布，接近1时转变为Poisson分布。默认为1.5。
reduction (str, optional) – 如何减少损失。默认为“mean”。

方法

`loss`(y_pred, y_true)	计算未减少的损失。
`to_prediction`(out)	将网络预测转换为点预测。

loss(y_pred, y_true)[来源]#

计算不进行减小的损失。在派生类中覆盖

Parameters:

y_pred – 网络输出
y_actual – 实际值

Returns:

作为反向传播的单个数字的损失/指标

Return type:

torch.Tensor

to_prediction(out: Dict[str, Tensor])[来源]#

将网络预测转换为点预测。

Parameters:: y_pred – 网络的预测输出
Returns:: 点预测
Return type:: torch.Tensor

TweedieLoss#

此页面