Tweedie Loss

$L(\hat{y})$ = → ${ - y \frac{\hat{y}^{1-p}}{1-p} + \frac{\hat{y}^{2-p}}{2-p}, 1<p<2}$

特点

• 非高斯分布
• y = 0，如果预测结果不为 0 ，会有损失
• 应用场景
  • 奢侈品销售或者电商销售，大部分是浏览不购买，导致 0 处值非常大。
  • 如果正负样本比例差异大，但是数量充足还是可以训练。
    • 这是回归问题，取值是连续的……
  • 如果直接下采样，会破坏分布
  • 回到之前 ((1dc036b6-92b8-4ffc-9612-beb5c259f02d)) 的问题，决定为什么会有这个损失函数

{:height 215, :width 338}

Question

• 一般什么情况下使用 Tweedie Loss ((8f6df9cd-1ff7-456d-b624-ab72683fea24)) ？#card
  • ((63136997-cd28-462d-a009-df694f0f5cf5))
  • ((d139b735-8c55-4492-9355-99fe5762b0ee))

Ref

• [[Tweedie Loss]] 实现
• M5 Forecasting - Accuracy | Kaggle
• 根据标签分布来选择损失函数 - 知乎

网络回响