使用自定义损失函数训练神经网络

现在我们将使用刚刚创建的自定义损失函数。这能让我们根据具体问题以更有用的方式调整模型行为——它会促使模型至少学会正确预测价格变动的方向。接下来只需在 .compile() 函数中将 loss 参数设置为我们的函数名 sign_penalty。我们会再次查看训练损失，确认它已经变得平稳。

本练习是课程的一部分

Python 金融机器学习

查看课程

练习说明

将第一层神经网络的 input_dim 设为 scaled_train_features 的列数，使用其 .shape[1] 属性。
使用自定义的 sign_penalty 损失函数来 .compile() 我们的 model_2。
绘制训练 history 中的损失曲线。损失位于 history.history['loss']。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()

编辑并运行代码