1、目标函数 (1）mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean() (2）mean_absolute_error / mae 绝对值均差，公式为(|y_pred-y_true|).mean() (3) mean_absolute_percentage_error / mape公式为：(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的区别就是，累加的是（预测值与实际值的差）除以（剔除不介于epsilon和infinite之间的实际值)，然后求均值。 (4)mean_squared_logarithmic_error / msle公式为： (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1)，这个就是加入了log对数，剔除不介于epsilon和infinite之间的预测值与实际值之后，然后取对数，作差，平方，累加求均值。 (5)squared_hinge 公式为：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的平方的累加均值。 (6)hinge 公式为：(max(1-y_truey_pred,0)).mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的的累加均值。 (7)binary_crossentropy: 常说的逻辑回归, 就是常用的交叉熵函 (8)categorical_crossentropy: 多分类的逻辑
2、性能评估函数：
(1)binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率 (2)categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率 (3)sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用 (4)top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确 (5)sparse_top_k_categorical_accuracy：与top_k_categorical_accracy作用相同，但适用于稀疏情况 --------------------- 作者：咖啡味儿的咖啡 来源： 原文：https://blog.csdn.net/wangdongwei0/article/details/82321217 版权声明：本文为博主原创文章，转载请附上博文链接！
