Оптимизация по целевым мерам качества

Оптимизация параметров модели

Меры MAE и WAPE также можно оптимизировать напрямую, но для этого придётся в качестве потерь задавать модули, а не квадраты ошибок, и использовать для этого уже численную оптимизацию, реализованную в большинстве пакетов машинного обучения.

Для минимизации MAPE и MAPE' можно минимизировать модули ошибок, где каждый объект учитывается взвешенным образом с весом $\frac{1}{|y_n|}$ и $\frac{1}{\max\{|y_n|, a\}}$ соответственно.

подсказка

Регрессионные прогнозы лучше оценивать не по стандартной мере качества, а по целевой мере потерь, которая максимально близко соответствует реальным потерям (например, в рублях) при тех или иных ошибках прогнозирования.

Оптимизация гиперпараметров модели

Гиперпараметры модели также рекомендуется подбирать, оптимизируя целевую меру потерь. Это легко сделать, поскольку чаще всего гиперпараметры подбираются перебором по сетке или другим безградиентным методом оптимизации. Поэтому целевая мера не обязательно должна быть дифференцируемой.