1. 项目概述为什么一个“算错账”的函数反而成了所有智能决策的底层心跳你有没有遇到过这种场景做完一份销售预测模型RMSE显示误差只有±8%但业务部门反馈——“上个月漏掉了3个即将流失的VIP客户损失远超这个数字”工厂排产系统总说“成本最优”可实际运行中频繁出现紧急加单导致加班费暴涨、设备过载停机医院用AI筛查糖尿病视网膜病变准确率92%但把真正有高风险病变的患者判为“低风险”的比例高达15%而这类误判的临床后果是不可逆的视力损伤。这些问题表面看是模型不准、系统不灵、数据不好但根子上几乎都出在同一个地方你用的“成本函数”根本没在替你真正关心的事儿打分。它不是数学题里的标准答案而是一份用数字写成的价值声明——你到底更怕什么是怕平均误差大一点还是怕某类错误绝对不能发生是怕多花1块钱库存成本还是怕少赚100块订单利润是怕模型猜错猫狗还是怕它把肿瘤读成良性这就是为什么我坚持把“Cost Functions”翻译成“代价函数”而非“损失函数”或“成本函数”cost 不是会计科目里的支出项而是你为某个判断所愿意支付的真实代价real-world consequence。它不抽象它很痛它不冰冷它带着业务体温它不只存在于代码里它刻在工厂的排班表上、医生的诊断书里、信贷员的审批意见中。本文不是教科书式的定义罗列也不是调包调参的速成指南。它是我过去十年在制造业做预测性维护、在金融公司搭风控模型、在医疗AI团队做合规落地时亲手写坏过27个cost function、被业务方退回14次、最终让模型从“技术正确”走向“业务可信”的全部实战沉淀。你会看到经济学里那个画在黑板上的U型平均成本曲线怎么直接变成你训练一个房价预测模型时要不要对“高价房预测偏差”额外加罚的决策依据为什么在信用评分场景下把交叉熵损失乘以10倍可能比换10个新模型都管用Huber损失里那个神秘的δ参数不是调出来的而是你和法务、风控、运营三方开会拍板定下来的“业务容忍阈值”当你的模型在验证集上loss持续下降但业务指标却开始恶化——这往往不是过拟合而是你的cost function正在悄悄奖励错误的行为。这不是一篇关于“怎么算”的文章而是一篇关于“为什么这么算”的生存手册。适合所有需要让算法真正产生业务价值的人数据科学家、算法工程师、业务分析师、产品负责人甚至一线的车间主任和信贷经理。只要你需要做出一个“权衡取舍”的决定你就已经在用cost function了——只是你可能还没意识到自己手里的那支笔正握得不够稳。2. 核心设计逻辑从经济学直觉到机器学习实现的四层穿透式理解2.1 第一层穿透为什么“最小化误差”本身就是一个危险的幻觉我们先扔掉所有公式回到最原始的直觉。假设你是一家社区面包店的老板每天要决定烤多少个牛角包。烤少了顾客买不到口碑下滑烤多了卖不完就只能当垃圾倒掉白花钱。你请来一位数据科学家他给你建了一个销量预测模型目标是“最小化预测误差”。他用了最经典的MSE均方误差作为cost function。模型跑出来MSE4.2——看起来很美。但你发现模型天天建议你烤35个而你实际卖了32个少烤3个或者卖了38个多烤3个。误差确实小可问题来了少烤3个意味着3个顾客失望离开其中1个再也没回来多烤3个意味着3个牛角包进垃圾桶成本36元。这两件事的“代价”一样吗显然不一样。但MSE给它们打了完全相同的分数3²9。它把“失去一个忠实顾客”和“浪费36元现金”粗暴地等同为“数值上偏离了3个单位”。这就是第一层穿透的关键洞见所有cost function的本质都是对现实世界中不对称代价asymmetric cost的一种数学编码。它必须回答三个灵魂拷问哪类错误更致命是漏报还是误报是低估还是高估错误的严重程度是否线性增长多烤1个包损失12元多烤10个包是损失120元还是已经触发了整条生产线的调度混乱损失飙升至5000元是否存在一个“安全区”比如只要预测误差在±5个以内实际运营完全不受影响这个区间内的误差该不该计分提示如果你的业务场景里错误代价天然不对称绝大多数真实场景都是那么直接套用MSE、MAE这类对称损失函数就是在用一把直尺去量一个弯曲的真相。你的模型再“准”也注定在帮倒忙。2.2 第二层穿透经济学中的“边际”思维如何精准指导ML模型的梯度更新现在我们把镜头切到工厂车间。一台关键数控机床每小时加工费2000元但故障停机1小时连带产线停工损失高达15万元。设备健康度预测模型的目标是提前72小时预警潜在故障。传统做法用回归模型预测剩余使用寿命RUL用RMSE作为loss。问题立刻浮现——模型把一个本该在70小时后故障的设备预测成75小时后故障误差5小时和预测成65小时后故障误差-5小时在RMSE里得分完全一样5²25。但业务上5小时误差乐观误判意味着你错过了最佳维修窗口设备极可能在生产高峰期突然宕机损失15万元-5小时误差悲观误判意味着你提前5小时做了预防性维护多花了2000元加工费但避免了15万损失净收益14.8万元。所以对“早报”和“晚报”业务赋予的代价天差地别。这就是经济学里“边际成本”的威力——它不看总量只看“再做一单位”带来的变化。在ML实现上这直接转化为对loss function的改造我们不能让模型对“5”和“-5”施加同等惩罚我们要让模型对“晚报”即预测RUL 真实RUL的惩罚远大于对“早报”的惩罚具体操作在计算每个样本的loss时引入一个不对称权重因子。例如def asymmetric_mse(y_true, y_pred): error y_pred - y_true # 预测值减真实值 # 如果error 0 (晚报)惩罚放大10倍如果error 0 (早报)惩罚保持原样 weight tf.where(error 0, 10.0, 1.0) return tf.reduce_mean(weight * tf.square(error))这个看似简单的tf.where背后是车间主任拍着桌子说的“宁可多修十次绝不晚修一次”注意这种改造绝非“调参技巧”而是将业务领域知识domain knowledge以可微分的方式硬编码进模型的优化目标里。它让梯度下降的方向从“数学上最陡的坡”变成了“业务上最值得走的路”。2.3 第三层穿透从“单点最优”到“全局帕累托”——为什么你的模型总在“顾此失彼”我们再升级场景。一家电商公司要同时优化两个目标目标A提升GMV成交总额—— 鼓励用户多买、买贵目标B保障用户体验UX—— 避免过度推送、价格欺诈、页面卡顿。如果简单地把两个目标相加比如Total_Loss λ * (1 - GMV_Normalized) (1-λ) * UX_Score会立刻陷入困境λ0.9模型疯狂push高毛利商品首页全是“限时秒杀”用户投诉激增次月留存暴跌λ0.1模型极度保守推荐列表平淡如水GMV增长停滞老板直接叫停项目。这正是典型的多目标冲突。经济学里解决它的工具叫帕累托前沿Pareto Frontier。它的核心思想不是找一个“完美平衡点”而是找出所有“无法在不损害一方的前提下改善另一方”的方案集合。在ML实践中这意味着不要试图用一个scalar loss去强行融合所有目标而是构建一个多输出模型让每个目标有自己的loss分支在训练时不固定λ而是动态调整各loss的权重确保模型始终走在帕累托前沿上。一个经过实战检验的策略叫Uncertainty Weighting不确定性加权# 模型有两个输出头gmv_head 和 ux_head # 对应两个lossloss_gmv, loss_ux # 引入两个可学习的标量参数log_var_gmv, log_var_ux # 动态权重 1 / (2 * exp(log_var))自动学习哪个任务更难、更不确定 loss_total loss_gmv / (2 * tf.exp(log_var_gmv)) \ loss_ux / (2 * tf.exp(log_var_ux)) \ log_var_gmv log_var_ux这个方法的精妙之处在于模型会自动发现“UX评分”这个信号噪声极大用户反馈主观、稀疏、延迟而“GMV”信号相对干净。于是它会悄悄增大log_var_ux从而降低loss_ux的权重让模型先稳住GMV基本盘再逐步提升UX。这比人工拍脑袋定λ靠谱十倍。实操心得帕累托前沿不是画在PPT上的理论曲线它是你每周和业务方对齐时必须拿出的“可选方案集”。告诉他们“这里有5个模型A牺牲5%GMV换10%UX提升B牺牲2%UX换15%GMV增长……您选哪个”——这才是技术驱动业务的正确姿势。2.4 第四层穿透从“静态打分”到“动态博弈”——为什么你的cost function需要随时间进化最后一个穿透也是最容易被忽视的。我们习惯认为cost function是一个训练前就定死的“规则”。但现实世界是流动的。举个血淋淋的例子2020年初某家口罩生产企业的AI排产模型其cost function核心是“最大化产能利用率”。因为当时全球缺货有产能就等于有订单、有利润。模型运行完美。到了2022年市场饱和竞争白热化。此时再用同一个cost function模型会继续满负荷运转结果导致大量库存积压、原料过期、现金流断裂。真正的优化目标已悄然切换为“最小化库存周转天数”和“最大化订单响应速度”。这意味着cost function本身必须是一个可监控、可迭代、可AB测试的“活”组件。我们团队的标准做法是将cost function模块化拆分为BaseLoss基础误差 BusinessRules业务规则层 TemporalAdjustments时间调节层BusinessRules以配置文件形式存在由业务方填写。例如# production_cost_rules.yaml rules: - name: high_demand_penalty condition: current_month in [Jan, Feb] # 春节旺季 multiplier: 3.0 description: 旺季缺货代价翻三倍 - name: inventory_overage condition: inventory_days 90 penalty: log(inventory_days - 90) * 1000TemporalAdjustments接入外部API自动获取政策、市场、供应链状态。例如当海关数据显示某关键芯片进口清关时间延长至45天系统自动激活supply_chain_risk规则临时提高对“交付延迟”的惩罚权重。这套机制让我们在2023年应对某次突发原材料断供时仅用2小时就完成了cost function的紧急升级模型自动转向“保核心客户交付”避免了千万级违约金。关键提醒一个无法随业务演进而进化的cost function终将成为技术债务的源头。它不会让你的模型变慢但它会让你的业务决策在不知不觉中越来越脱离真实的战场。3. 核心细节解析四大主力损失函数的“手术刀级”拆解与选型指南3.1 回归任务MAE、MSE、RMSE、Huber——不是选择题而是诊断书很多人把MAE、MSE、RMSE、Huber当成四个并列选项像点菜一样随便挑一个。这是最大的误区。它们不是口味不同的冰淇淋而是针对不同“病理特征”的处方药。我们必须先给数据做诊断再开方。数据诊断第一步检查残差分布Residual Distribution在你决定用哪个loss之前必须画出训练集上所有样本的残差y_true - y_pred直方图。这张图会告诉你一切。我们团队总结出一张“残差分布-损失函数”匹配速查表残差分布特征典型业务场景推荐Loss为什么实操陷阱近似正态无明显长尾钟形曲线左右对称房价预测成熟市场、基础能耗预测MSE正态分布下MSE对应最大似然估计数学性质最优凸、可微、有解析解切记MSE对异常值极度敏感。若分布图上哪怕只有1%的点落在±3σ之外MSE也会被严重拖偏。务必先做离群值清洗明显右偏存在少量巨大正残差大部分点集中在0附近右侧拖出一条长尾巴销售额预测偶发爆款、故障间隔时间MTBF预测Huber LossHuber的δ参数就是为你这条“长尾巴”量身定制的切割点。δ以内用MSE保证小误差精度δ以外用MAE防止大误差主导。δ值≈残差分布的第90百分位数。δ不是超参是业务阈值例如销售预测中δ5000意味着“单日销售额预测误差超过5000元我们就不追究具体数值了只按‘严重偏差’统一处理”。这个值必须由销售总监签字确认。双峰分布中间有空隙两个分离的峰中间区域样本极少设备状态预测正常/亚健康/故障三态但标签不全只标了正常和故障MAEMAE对分布形状不敏感鲁棒性强。双峰意味着数据生成机制可能有两类如不同型号设备MAE能稳定收敛而MSE会被两峰间的“峡谷”误导。MAE不可导梯度下降会抖动。必须搭配AdamW优化器并设置amsgradTrue否则训练过程会像喝醉一样左右摇晃。左偏且存在负值硬约束左侧有尖锐峰值且残差不能小于某负值如-10库存水位预测水位不能为负、电池剩余电量不能低于0%Clipped MSE截断MSE在MSE基础上对残差进行硬截断residual max(residual, -10)。这相当于告诉模型“低于-10的预测业务上等同于-10别再往下了”。绝对禁止直接用relu()截断预测值必须截断残差。因为relu(y_pred)会破坏梯度流导致模型学不会“何时该停止下降”。实操心得我见过太多团队在没画残差图的情况下直接默认用MSE结果模型在上线后疯狂“误杀”——把本该平稳运行的设备预测成即将故障引发一轮轮不必要的停机检修。一张残差图省下的是真金白银的运维成本。Huber Loss的δ参数如何用业务语言定义它Huber Loss的公式是L_δ(y, ŷ) { 0.5*(y-ŷ)² if |y-ŷ| ≤ δ { δ*|y-ŷ| - 0.5*δ² if |y-ŷ| δδ是它的灵魂但99%的教程只说“δ是阈值”却不告诉你怎么定。我们的方法论是“三步定δ法”业务访谈找一线业务人员不是管理者问“在您的工作中预测误差达到多少会让您觉得‘这事已经失控必须马上干预’” 记录下所有答案取中位数。例如物流调度员说“到货时间预测误差超过4小时我就得重排所有司机路线这个成本我没法承担。” → 初始δ4。数据验证在历史数据上计算所有样本的|y_true - y_pred_baseline|baseline可以是简单移动平均画出其累积分布函数CDF。找到CDF0.95处的值。这代表“95%的样本其自然误差都在这个值以内”。如果这个值比如3.2远小于业务访谈值4说明δ可以设得更激进比如3.5让模型更关注“大概率事件”如果它比如6.8远大于业务值说明当前baseline太差δ必须设为业务值4倒逼模型提升精度。AB测试在小流量上部署δ3.5、δ4.0、δ4.5三个版本监控核心业务指标如调度员手动干预次数、平均干预耗时、客户投诉率。δ的最终取值不是数学最优而是业务指标最优的那个点。我们曾在一个港口集装箱调度项目中δ4.0时干预次数最少但δ4.2时客户投诉率最低——最终选择了4.2因为投诉带来的品牌损失远超调度员多花的那点时间。3.2 分类任务Cross-Entropy、Hinge、KL——它们惩罚的到底是什么分类loss的选择本质是在回答“我最不能容忍模型犯哪一种错”Cross-EntropyLog Loss专治“自信的傻瓜”它的公式是L -log(p_true)其中p_true是模型对真实类别的预测概率。关键洞察Cross-Entropy不惩罚“预测错”它只惩罚“预测错还很自信”。模型说“这是猫我99%确定”结果是狗 → Loss -log(0.01) ≈ 4.6模型说“这是猫我51%确定”结果是狗 → Loss -log(0.49) ≈ 0.71模型说“这是猫我1%确定”结果是狗 → Loss -log(0.01) ≈ 4.6 等等这不对注意最后一行是错的如果模型对“猫”的预测是1%那它对“狗”的预测至少是99%softmax约束所以p_true真实类别“狗”的概率是99%Loss -log(0.99) ≈ 0.01。所以Cross-Entropy的真正敌人是高置信度的错误High-Confidence Errors。它迫使模型学会“不懂就别说那么满”。应用场景所有需要模型输出可信概率的场合。如医疗诊断“85%可能是恶性肿瘤”、金融风控“72%违约概率”、自动驾驶“99.99%安全通过概率”。在这些领域一个“99%确定但错了”的预测比十个“51%确定错了”的预测危害大一万倍。Hinge Loss专治“擦边球选手”它的公式是L max(0, 1 - y_true * y_pred)其中y_true是1/-1y_pred是模型输出的raw scorelogit。Hinge Loss的核心哲学是“正确”不重要“ confidently correct”才重要。如果y_true * y_pred 1样本离决策边界足够远Loss0如果0 y_true * y_pred 1样本在“安全区”内但离边界太近有风险Loss0如果y_true * y_pred 0样本被分错类Loss线性增长。它完全不在乎y_pred的具体数值只在乎它和边界的距离。这使得SVM等模型具有极强的泛化能力——因为它学的不是数据点而是数据点之间的“缝隙”。应用场景当你的数据标注质量不高或者你更看重模型的鲁棒性而非概率校准时。如工业质检缺陷/良品二分类标注常有模糊地带、文本情感分析“有点喜欢”和“非常喜欢”边界模糊。Hinge Loss会自动忽略那些模棱两可的样本聚焦于学习清晰的分界线。KL Divergence专治“分布失配”它的公式是KL(P||Q) Σ P(x) * log(P(x)/Q(x))其中P是真实分布Q是模型预测分布。KL不是在比较单个预测而是在比较整个概率分布的形状。它衡量的是用Q去编码P平均每个样本要多花多少比特。这带来一个关键特性KL对“Q在P为0的地方有概率”极度敏感惩罚无穷大但对“Q在P非0的地方概率偏低”相对宽容。如果真实分布P中类别“鸟”的概率是0即数据里根本没有鸟但模型Q预测“鸟”的概率是0.1 → KL→∞模型崩溃如果P中“鸟”概率是0.3Q预测是0.1 → KL有限模型可接受。应用场景知识蒸馏Knowledge Distillation。当你用一个大模型Teacher的软标签soft labels即各类别概率去训练一个小模型Student时KL是黄金标准。因为Teacher的软标签包含了类别间的相似性信息如“猫”和“豹”很像“猫”和“汽车”不像KL能完美捕捉这种结构而Cross-Entropy只盯着“猫”这个单一标签。3.3 正则化L1、L2、Elastic Net——不是防过拟合而是做特征审计正则化项λ * R(θ)常被简化为“防止过拟合的刹车”。这严重矮化了它的价值。在我们看来正则化是模型的“内部审计师”它强迫模型向你坦白哪些特征是真材实料哪些是噪音幻觉。L1正则化Lasso一场残酷的“特征死刑”R(θ) Σ |θ_i|。它的几何效应是在参数空间中等高线是菱形尖角恰好落在坐标轴上。这导致优化过程极易将某些θ_i精确压缩到0。这不仅仅是“减少参数”而是一次彻底的特征淘汰。我们曾在一个银行反欺诈模型中应用L1输入特征200个包括用户基础属性、交易行为、设备指纹、IP地理信息等加入L1后模型自动将“用户注册邮箱域名”如gmail.com, qq.com这一组15个特征全部归零业务复盘发现这些特征在训练集上看似相关但完全是数据泄露data leakage——因为欺诈团伙批量注册时会刻意使用同一类邮箱域名这与用户真实风险无关只是注册渠道的副作用。L1的价值就在于它用数学的冷酷帮你揪出那些“看起来有用实则有毒”的特征。注意L1的λ不是越大越好。λ过大会把真正重要的特征也干掉导致欠拟合。我们的经验是从λ0.001开始每次×10画出“非零特征数量” vsλ的曲线。选择那个“特征数量开始断崖式下跌”之前的点。这通常是业务价值和模型简洁性的最佳平衡点。L2正则化Ridge一场温柔的“特征限薪”R(θ) Σ θ_i²。它的等高线是圆形不会强制归零但会将所有θ_i向0收缩。L2的精髓在于平滑化smoothing。它不杀死特征而是让每个特征的影响力变得“谦逊”。这在以下场景至关重要多重共线性Multicollinearity当两个特征高度相关如“用户年龄”和“用户工龄”L2会将它们的系数都缩小避免模型在两者间“赌博”从而提升稳定性小样本场景当训练数据远少于特征数时L2能有效抑制因数据偶然性导致的系数震荡。实操技巧L2的λ通常比L1小1-2个数量级。我们常用λ0.0001作为起点。更重要的是L2必须和特征缩放Feature Scaling捆绑使用。如果你不做标准化L2会不公平地惩罚那些数值天生就大的特征如“年收入”vs“婚姻状态”这违背了正则化的初衷。Elastic NetL1和L2的“混合所有制改革”R(θ) α * Σ |θ_i| (1-α) * Σ θ_i²。它结合了L1的特征选择和L2的共线性处理。我们只在一种情况下坚定选择Elastic Net当你的特征集里既有明确的“垃圾特征”该删又有成组的“兄弟特征”该一起缩时。经典案例电商用户画像。“最近7天浏览品类数”、“最近30天浏览品类数”、“历史总浏览品类数”——这是一组高度相关的兄弟特征L2能很好处理“用户手机型号的ASCII码之和”——这是一个典型的、毫无业务意义的垃圾特征L1能把它干掉。Elastic Net的α参数就是你对这两种需求的投票权。α0.5表示五五开α0.8表示你更看重特征选择。关键提醒Elastic Net的计算成本高于L1或L2单独使用。在资源紧张时我们优先用L1做一轮粗筛去掉50%特征再用L2在剩余特征上精调。这比直接上Elastic Net效率高得多。4. 实操全流程从数据诊断、函数编写、训练监控到业务对齐的完整闭环4.1 Step 0战前准备——一份不能跳过的“Cost Function需求说明书”在写任何一行代码前我和团队必须共同完成一份《Cost Function需求说明书》。它不是技术文档而是一份业务契约。模板如下板块内容要求我们的填写示例1. 业务目标The “Why”用一句话说清楚这个模型要解决的最根本业务问题。避免技术术语。“在保证95%以上高价值客户不流失的前提下将整体客户流失率降低15%。”2. 错误代价矩阵The “What Hurts”制作一个2x2表格定义“真阳性(TP)、假阳性(FP)、真阴性(TN)、假阴性(FN)”各自对应的真实业务代价单位人民币/人/次。TP正确识别将流失客户500元挽回的客户终身价值FP错误标记未流失客户-20元一次无效关怀电话成本TN正确识别不流失客户0元FN漏掉将流失客户-2000元永久丢失该客户3. 业务约束The “Hard Limits”列出所有不可逾越的红线。“模型预测的流失概率必须在[0, 1]区间内且输出必须是可解释的需提供Top3影响因子。”4. 数据现状The “What We Have”描述当前数据的质量、覆盖度、时效性。特别注明已知缺陷。“流失标签基于‘连续90天无交易’定义但存在约5%的‘沉默高价值客户’如企业采购下单周期长这部分标签有误。”5. 成功度量The “How We Win”定义3个核心业务指标KBI以及它们的基线值和目标值。技术指标如AUC只能作为辅助。KBI1高价值客户召回率TP/(TPFN) ≥ 92% 基线85%KBI2无效关怀率FP/(FPTP) ≤ 8% 基线15%KBI3模型上线后3个月整体客户流失率下降 ≥ 15% 基线22%提示这份说明书必须由业务方负责人签字。没有签字项目不启动。它确保了所有人从第一天起就在同一个战场上拿着同一张地图。4.2 Step 1数据诊断与可视化——用三张图锁定核心矛盾拿到数据后我们不急于建模而是用三张图做“CT扫描”图1残差 vs 预测值散点图Residuals vs Fitted横轴模型预测值y_pred纵轴残差y_true - y_pred关键诊断如果点均匀分布在y0附近的一条水平带内 → 数据满足“同方差性”MSE是安全的如果点形成“喇叭口”预测值越大残差绝对值越大 → 存在异方差必须用对数变换log(y)或Huber Loss如果点呈现明显的曲线趋势如U型 → 模型存在系统性偏差需要增加高阶特征或更换模型族如从线性到树模型。图2残差QQ图Q-Q Plot of Residuals横轴理论正态分布的分位数纵轴实际残差的分位数关键诊断点大致落在一条45度直线上 → 残差近似正态MSE最优点在两端明显偏离直线上端翘起下端下沉 → 存在厚尾heavy tailsMAE或Huber更稳健点整体向左或向右偏移 → 残差存在系统性偏差bias模型整体预测偏高或偏低需检查特征工程或目标变量定义。图3特征重要性 vs 业务常识对比图用SHAP或Permutation Importance计算每个特征对模型预测的贡献将结果与业务方提供的“专家经验排序”并排画出关键诊断如果两者高度一致 → 模型学到了业务真知可信度高如果关键业务特征如“客户投诉次数”排名垫底而一些技术特征如“数据上传时间戳的毫秒部分”排名靠前 → 极可能存在数据泄露必须立即排查。实操心得这三张图我们称之为“诊断铁三角”。它们能在2小时内帮你判断出是该换loss function还是该换数据还是该换业务目标。省下的是后面几周的无效调参。4.3 Step 2自定义Loss Function编写——TensorFlow/Keras实战详解我们以一个真实的供应链场景为例预测未来7天某SKU的日均销量。业务核心诉求是宁可多备货成本可控也绝不能缺货客户流失。这是一个典型的不对称回归问题。方案AWeighted MSE加权均方误差import tensorflow as tf def weighted_mse(y_true, y_pred): y_true: 真实销量 y_pred: 预测销量 逻辑对预测值 真实值缺货的情况施加10倍惩罚 error y_pred - y_true # 注意这里是预测减真实 # 创建权重张量缺货error 0时权重为10否则为1 weights tf.where(error 0, 10.0, 1.0) # 计算加权MSE weighted_squared_error weights * tf.square(error) return tf.reduce_mean(weighted_squared_error) # 在模型编译时使用 model.compile( optimizeradam, lossweighted_mse, # 直接传入函数名 metrics[mae] )方案BPin
