不該深情的深情2021-06-29 16:03:46

Tweedie損失函式

思考與想法不同損失函式是在不同場景下應用的，每一種損失函式背後都有一種假設，滿足假設的前提下，利用損失函式訓練出來的模型才有比較好的效果損失函式MSE背後的假設是要滿足誤差分佈滿足高斯分佈，或者不嚴謹的來說，MSE適用於高斯分佈的資料，常用在迴歸問題的應用場景中；類似的，MAE背後的假設是誤差滿足拉普拉斯分佈；Tweetie分佈是一種右偏的資料分佈，在商業場景中有很多例子，例如，資料從電子商務網站的資料，廣告點選和購買，保險索賠等。資料整體集中在數值低的區域，Tweedie分佈最明顯的一個特點是以一定的機率生成數值為0的樣本。Tweedie分佈在商業場景中有很多例子，比如人們進入某個商城後的消費額。一部分人只是進去隨便逛逛（比如蹭空調），所以消費額是0，另一部分客戶是有消費額的，是隨機的連續數值。