各位读者大家好！在本文中，我们将详细关注Python 中的损失函数。
那么，让我们开始吧！🙂
Python 损失函数的重要性
Python 在数据科学和机器学习领域一直发挥着重要作用。当涉及到在数据集上应用模型时，了解模型在准确性和错误率方面对数据集的影响非常重要。这有助于我们理解模型对因变量的影响。
同样，我们有 Python 提供的损失函数。通过损失函数，我们可以轻松了解预测数据值与预期/实际数据值之间的差异。通过这些损失函数，我们可以轻松获取错误率，并据此估计模型的准确性。
4 个最常用的 Python 损失函数
了解了 Python 中的损失函数后，现在我们将了解一些最常用的用于误差估计和准确率的损失函数。
- 根均方误差
- 平均绝对误差
- 交叉熵函数
- 均方误差
1. 均方根误差
使用均方根误差，我们计算数据集的预测值和实际值之间的差异。此外，我们计算差值的平方，然后对其应用均值函数。在这里，将一起使用 NumPy 模块和mean_squared_error() 函数，如下所示。使用mean_squared_error()函数，我们需要将平方参数设置为False，以便它拾取并计算RMSE。如果设置为True，它将计算MSE。
示例：
from sklearn.metrics import mean_squared_errorimport numpy as npac = np.array([1,2,3])pr = np.array([0.9,1.9,2.1])print(mean_squared_error(ac, pr, squared = False)) |
输出：
0.5259911279353167 |
2. 平均绝对误差
平均绝对误差使我们能够获得数据集的预测数据值和实际数据值之间的绝对差的平均值。Python 为我们提供了mean_absolute_error() 函数来计算任何数据范围的平均绝对误差。
示例：
from sklearn.metrics import mean_absolute_errorimport numpy as npac = np.array([1,2,3])pr = np.array([0.9,1.9,2.1])print(mean_absolute_error(ac, pr)) |
输出：
0.3666666666666667 |
3.均方误差
在 RMSE 之后，均方误差使我们能够轻松计算实际数据值和预测数据值之间的平方差的平均值。我们可以利用mean_squared_error()函数来计算数据范围的MSE，如下所示 –
示例：
from sklearn.metrics import mean_squared_errorimport numpy as npac = np.array([1,2,3])pr = np.array([0.9,1.9,2.1])print(mean_squared_error(ac, pr, squared = True)) |
输出：
0.2766666666666666 |
4.交叉熵损失函数
RMSE、MSE 和 MAE 主要用于回归问题。交叉熵损失函数广泛用于问题陈述的分类类型。它使我们能够根据分类数据变量定义问题的分类类型的错误/丢失率。
Python 的 sklearn 库为我们提供了 log_loss() 函数来处理和估计分类/分类数据变量的错误率。
示例：
from sklearn.metrics import log_lossop = log_loss(["Yes", "No", "No", "Yes","Yes","Yes"],[[10, 9], [39, 11], [8, 2], [35, 65], [12, 14], [12,12]])print(op) |
输出：
0.6931471805599453 |
结论
至此，我们这个话题就结束了。如果您遇到任何问题，请随时在下面发表评论。
有关更多与 Python 编程相关的此类文章，请继续关注我们。
到那时，快乐学习！🙂