Python 为CatBoostRegressor实现自定义目标函数

我正在使用CatBoostRegressor解决一个有监督的学习问题，我想使用一个自定义的目标函数，但我不知道如何以一种与CatBoost完全兼容并优化计算效率的方式实现它

我面临着选择RMSE（均方根误差）和MAE（平均绝对误差）之间的权衡，因此我定义了一个定制的目标函数，试图在这两个世界中取其精华

RMSE倾向于产生“无偏”估计量，因为在一组数字上最小化RMSE会导致找到其平均值。另一方面，它往往比大量的小错误更严重地惩罚少量的大错误。下面是一个有两个数据点的示例：如果误差为[5,5]，则RMSE为7.07，而如果误差为[0,10]，则RMSE为10

MAE的优点是，平均惩罚少量大错误和大量小错误（在上面的示例中，[5,5]和[0,10]都有MAE=5）。另一方面，它倾向于产生有偏估计量，因为最小化一组数字上的MAE会导致找到其中值，如果存在异常值，中值可能与平均值显著不同

我想定义一个成本函数，它充分利用了这两个方面：

1） 我的代价函数应该像MAE一样，平均惩罚少量的大错误和大量的小错误

2） 我的成本函数应该倾向于产生无偏估计：在一组数字上最小化我的成本函数应该得到它的平均值，就像RMSE一样

我们的想法是接受MAE并惩罚偏见。下面是成本函数的Python代码：

import numpy as np
from sklearn.metrics import mean_squared_error, mean_absolute_error

# Root mean squared error (RMSE)
def rmse(y_true, y_pred):
    return np.sqrt(mean_squared_error(y_true, y_pred))

# Mean absolute error (MAE)
def mae(y_true, y_pred):
    return mean_absolute_error(y_true, y_pred)

# Custom loss function: mean absolute error + bias
def my_error_function(y_true, y_pred):
    return np.mean(np.abs(y_true - y_pred)) + np.abs(np.mean(y_true - y_pred))

---

RMSE和MAE已经在CatBoost（）中实现。我在这里找到了一个关于实现自定义损失函数的教程，但是我不能根据我的公式修改成本函数，因为它需要用C++（）编写。非常感谢您的帮助。

您的问题和您的问题到底是什么？我的问题是，我无法将此成本函数作为CatBoostRegressor的自定义目标来实施。我的问题是如何以完全兼容CasBooD和计算效率的方式实现它（即使用C++代替Python，如这里所建议的）谢谢Anna Veronika。恐怕我无法打开链接：我收到一条错误消息“服务器未响应”。请查看教程，其中包含如何在catboost中实现您的目标的示例：我已更新了链接。您的问题和您的问题到底是什么？我的问题是，我无法将此成本函数作为CATBoostregrestor的自定义目标来实现。我的问题是如何以完全兼容CasBooD和计算效率的方式实现它（即使用C++代替Python，如这里所建议的）谢谢Anna Veronika。恐怕我无法打开链接：我收到一条错误消息“服务器未响应”，请查看教程，其中包含如何在catboost中实现目标的示例：我已更新了链接。