目录
1. 绪论
对于分位数回归损失函数，最近看到了两种不同的实现。这种实现和 Bing 上检索到的任何一种分位数损失函数表达形式都不一样。
import keras.backend as K
def QR_error(y_true, y_pred, tau):
dy = y_pred - y_true
return K.mean((1.0 - tau) * K.relu(dy) + tau * K.relu(-dy), axis=-1)
def quantile_loss(q, y, y_p):
e = y-y_p
return K.mean(K.maximum(q*e, (q-1)*e))
下面，对这两种形式和检索的损失函数对应分析。
2. 分位数回归
分位数回归是统计学和计量经济学中使用的一种回归分析。最小二乘方法估计的是预测变量的条件平均值，而分位数回归估计的是响应变量的条件中位数(或其他分位数)。分位数回归是线性回归的一种扩展，当线性回归的条件不满足时可以使用分位数回归。
关于什么是分位数回归以及分位数回归的推导，下面这些博客或多或少有介绍，但鲜有对损失函数的实现解析。
在此，本文不再赘述分位数回归理论，重点讲解分位数回归损失函数的代码实现，以及它们的不同形式。
3. 分位数回归损失函数
分位数回归时，所使用的损失函数有这么几种表达形式：
- \(L_\gamma=\sum_{i=y_i<y_i^p}(\gamma-1) \cdot\left|y_i-y_i^p\right|+\sum_{i=y_i \geq y_i^p}(\gamma) \cdot\left|y_i-y_i^p\right|\)
来源于回归问题中5种常用损失函数。 - \(L_{\text {quantile }}=\frac{1}{N} \sum_{i=1}^N Ⅱ_{y>f(x)}(1-\gamma)|y-f(x)|+Ⅱ_{y<f(x)} \gamma|y-f(x)|\)
来源于回归损失函数2 ： HUber loss,Log Cosh Loss,以及 Quantile Loss和损失函数 Loss Function 之 分位数损失 Quantile Loss
式中，\(y_i\)是真实值，\(y^p\)或者\(f(x)\)为预测值。两式子表示\(y\)全部取值的分位数损失。
但是，离散随机变量而言，我们经过推导，通过将\({\displaystyle y-y^p}\)相对于\({ y^p}\)的预期损失最小化，可以找到特定的分位数，来源于《QUANTILE REGRESSION》5-6页。可以发现，损失函数是如下形式的：
\[L_\gamma=\frac{(\gamma-1)}{N} \sum_{y_i<y^p}\left(y_i-y^p\right)+\frac{\gamma}{N} \sum_{y_i \geq y^p}\left(y_i-y^p\right) \]不是上述两式子中的任何一个，因为，他们并不包含绝对值。但是可以将\((\gamma - 1)\)放入在求和号内。
4. \((\gamma - 1)\)的放入
需要注意的是，上式，两个求和号是满足条件的求和。
对于单个值，其分位数损失计算方式，按照上式执行。令\(y_i-y_i^p=\delta y\)，当\(\delta y<0\)
\[ \rho _{\gamma}(\delta y)=(\gamma-1)\cdot \delta y=(1-\gamma) (-\delta y)=(1-\gamma )|\delta y| \]当\(\delta y>0\)：
\[ \rho_{\gamma}(\delta y)= \gamma \cdot\delta y \]因此，对于\(N\)个随机变量，他们的总共的分位数损失为：
\[L_\gamma = \frac{1}{N} \left[\sum_{i=y_i < y_i^p} (1-\gamma) \cdot\left|y_i-y_i^p\right|+\sum_{i=y_i > y_i^p}\gamma \cdot\left|y_i-y_i^p\right|\right] \]5. 程序代码表达
为了最大化的利用 Python 中 Torch 或者 Keras 的函数库，方便自动求导，我们可以将条件求和变为取最大值函数。
同样，我们令\(y_i-y_i^p=\delta y\)，上式用伪代码可以写为：
mean(max{tau*dy, (tau-1)*dy})
当\(\delta y<0\)时，是取得 (tau-1)*dy ，也就是\(\rho_{\gamma}(\delta y)=(\gamma-1)\cdot \delta y\) ；
当\(\delta y>0\)时，是取得 tau*dy ，也就是\(\rho_{\gamma}(\delta y)= \gamma \cdot\delta y\) ；
最后求和取均值，得到最终的\(L_\gamma\)。因此，利用程序，即可表达为：
def quantile_loss(q, y, y_p):
e = y-y_p
return tf.keras.backend.mean(tf.keras.backend.maximum(q*e, (q-1)*e))
同理，下面的代码也是等效的：
import keras.backend as K
def QR_error(y_true, y_pred, tau):
dy = y_pred - y_true
return K.mean((1.0 - tau) * K.relu(dy) + tau * K.relu(-dy), axis=-1)
不过，一定注意，dy的定义，dy = y_pred - y_true和e = y-y_p刚好相反，因此，代码中tau-1也要反过来。
标签：tau,代码,dy,位数,delta,解析,回归,gamma From： https://www.cnblogs.com/AidanLee/p/16927260.html