使用自訂損失函式來訓練神經網路
現在我們要使用剛剛建立的自訂損失函式。這能讓我們依照問題需求改變模型的行為——我們會嘗試讓模型至少能正確預測價格變動的方向。你只需要在 .compile() 中把 loss 參數設為我們的函式名稱 sign_penalty。接著再次檢視訓練損失，確認它已經趨於平坦。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 將第一層神經網路的
input_dim設為scaled_train_features的欄數，也就是.shape[1]。 - 使用自訂的
sign_penalty損失函式來.compile()我們的model_2。 - 繪製訓練過程的損失，可從
history物件取得，位置在history.history['loss']。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create the model
model_2 = Sequential()
model_2.add(Dense(100, input_dim=____, activation='relu'))
model_2.add(Dense(20, activation='relu'))
model_2.add(Dense(1, activation='linear'))
# Fit the model with our custom 'sign_penalty' loss function
model_2.compile(optimizer='adam', loss=____)
history = model_2.fit(scaled_train_features, train_targets, epochs=25)
plt.plot(____)
plt.title('loss:' + str(round(history.history['loss'][-1], 6)))
plt.show()