Блог

В настоящее время я создаю критерий для измерения функции потерь MSE, используя:

 loss_fcn = torch.nn.MSELoss() 

loss = loss_fcn(logits[getMaskForBatch(subgraph)], labels.float())
  

Теперь мне нужно изменить его на оценку F1, но, похоже, я не могу найти ни одной библиотеки, которую можно было бы использовать для этого

В частности, в зависимости от задачи вам нужно иметь определенную функцию потерь. Функция потерь, также известная как функция цели, стоимости или ошибки, каким-то образом противоположна функции оптимизации. Функция потерь создает потери, функция оптимизации уменьшает потери. :). Эти две функции должны находиться в равновесии, чтобы мы не перенастроили.

Потери при регрессии PyTorch:

• nn.L1Loss Потеря L1 (MAE)
• nn.MSELoss Потеря L2 (MSE)
• nn.SmoothL1Loss Huber

Потери в классификации PyTorch:

• nn.CrossEntropyLoss
• nn.KLDivLoss
• nn.NLLLoss

Обучение PyTorch GAN

• nn.MarginRankingLoss

Итак, если вы использовали nn.MSELoss , вам, вероятно, нужно придерживаться регрессии, потому что F1 — это классификационный показатель.

Если вам действительно нужен результат в F1 по какой-либо другой причине, вы можете использовать scikit learn.

Зачем вам это нужно делать?

Оценка F1 обычно является оценочным показателем, а не функцией потерь. Более того, чтобы использовать оценку F1 в качестве функции потерь, вы должны убедиться, что она дифференцируема и выпукла (что, я думаю, вероятно, не так, иначе это уже было бы в литературе).

Существует множество функций потерь, которые могут помочь с вашей проблемой, таких как кроссэнтропия, вероятность отрицательного логарифма, потеря CTC и т.д.