Python 如何将自定义度量添加到keras？（平均绝对误差百分比）

我试图将平均绝对误差百分比（pmae）添加为keras中的自定义指标。定义为（MAE除以平均绝对y值乘以100）。我试过：

def pmae（y_真，y_pred）：
返回K.mean（K.abs（y_pred-y_true））/K.mean（K.abs（y_true））*100
...
compile（loss='mse'，optimizer=Adam（），metrics=[pmae]）

它运行，但值相差很多数量级（当我查看

model.history.history.pmae

）

工作numpy版本（在测试样本上）为：

y_pred=model.predict（X_检验）
pmae=abs（y_pred-y_test）.mean（）/abs（y_true）.mean（）*100

我还尝试将

，axis=-1

添加到

K.mean（）

调用中，但没有任何改进（如其他stackoverflow答案所示）。有人知道怎么了吗

资源

以y的平均值为例：

将keras.backend导入为K
def mean_pred（y_true，y_pred）：
返回K.平均值（y_pred）
model.compile（优化器='rmsprop'，
损失='binary\u交叉熵'，
指标=[“准确度”，平均值]

其他人在stackoverflow上回答了其他自定义指标（如和），但那里的回答没有帮助我进行pmae计算

---

让我们将您的实现与Keras中的实现进行比较：

def mean_absolute_percentage_error(y_true, y_pred):
    if not K.is_tensor(y_pred):
        y_pred = K.constant(y_pred)
    y_true = K.cast(y_true, y_pred.dtype)
    diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),
                                            K.epsilon(),
                                            None))
    return 100. * K.mean(diff, axis=-1)

基于此，以下内容适用于您的案例：

def percent_mean_absolute_error(y_true, y_pred):
    if not K.is_tensor(y_pred):
        y_pred = K.constant(y_pred)
    y_true = K.cast(y_true, y_pred.dtype)
    diff = K.mean(K.abs((y_pred - y_true)) / K.mean(K.clip(K.abs(y_true),
                                                           K.epsilon(),
                                                           None)))
    return 100. * K.mean(diff)

---

您尝试的主要区别在于这里的

y\u true

和

y\u pred

都被转换为相同的数据类型，分母至少是

K.epsilon（）

（即），因此如果

y\u true

接近

0

，那么错误不会无限大，您不能使用吗？我认为它们是一样的…这个链接指的是MAPE（平均绝对百分比误差），它是不同的[平均（绝对百分比误差）]。我正在尝试计算PMAE，或[百分比（平均值（误差））]，它对个人观察的大百分比不太敏感。谢谢，这（几乎）有效。我只需要删除最后一行中的“axis=-1”，否则我会得到错误“ValueError:Invalid reduction dimension-1，用于0维的输入。对于输入形状为[]、[]和计算输入张量的'metrics/pmae/Mean_2'（op:'Mean'）：输入[1]=”你能解释一下为什么这样做以及我尝试的解决方案有什么问题吗？很高兴我能提供帮助，我删除了错误的

轴=-1

。如果不知道您输入了哪些值，就无法确定，但我假设关键的区别在于分母不能变成

0

。它始终至少是

K.epsilon（）

，默认设置为

1e-7

。如果

y\u true

接近

0

，这可以防止错误扩大到无穷大。