Python 机器学习：如何规范输出并强制它们远离0？

我正在训练Tensorflow的深度CNN模型，并试图最大化

真实标签

和

预测

之间的皮尔逊相关性。例如，对于真正的标签

y_-true=[1.0,2.0,3.0,4.0]

，我想预测类似

y_-pred=[0.9,1.8,3.0,4.1]

，因为这会产生很高的皮尔逊相关性

然而，我的预测都非常接近于0，类似于

y_pred=[0.0001,0.0002,0.0003,0.0004]

。虽然在这种情况下，pearson相关性很高，但在计算pearson损失时，该模型在数值上不稳定（例如抛出NaN误差）

---

因此，我想知道我能做些什么来强制输出具有更大的值，使其不接近0？也许输出上的某种正则化器可以将其放大？

也许您可以尝试将您的问题建模为回归问题。将你的损失定义为

(true_labels - predictions)^2

由于您将显式地最小化标签和预测之间的平方差，因此它们也将高度相关。您可以保留Pearson相关性的原始损失，并将其添加为正则化器，以保持预测也接近真实标签。比如：

pearson_Loss + lambda * (true_labels - predictions)^2

---

通过网格搜索或随机搜索的交叉验证，您可以通过微调“lambda”找到正则化器的最佳强度。

谢谢！我还可以用它来调整输出吗？我试过了，但没有效果……据我所知，活动正则化器将l2或l1范数损失应用于网络输出。若你们将l2活动正则化器直接应用于输出，它将把它们拉向零；l1活动正则化器倾向于将一些输出很快拉到零，并引入稀疏性。如果将l2活动正则化器应用于（真预测），理论上它应该可以完成这项工作。但我不知道它是否能通过预测正确地支持梯度，这应该得到测试。