我正在做一些模拟，我想估计一个在 minValue 和 maxValue 之间均匀分布的实数。例如，在 20 到 30 之间（它不是一个角度，因此估计它的正弦是不合适的）。到目前为止，我使用了 MSE 损失，但是在绘制估计样本的直方图之后，它们遵循高斯分布。
经过网上的一些研究，我看到使用 L2 范数假设目标是正态分布的（不相关的问题：数学上的原因是什么？）。但是，目标遵循均匀分布。
因此，什么是改善估计分布的良好损失函数？可以通过使用更大的网络来解决吗？我的网络由 9 个模仿 ResNet 架构的 convLayer 和一个用于估计目标的全连接层组成。
最后，由于正在模拟目标数据，我可以访问无限数据。
使用 L2 范数假设目标是正态分布的
对不起，但这是胡说八道。（网上有很多废话。）
您选择的误差度量或损失函数对目标变量的（有条件或无条件）分布没有任何假设。相反，不同的损失函数会引出目标变量的不同函数。无论条件分布是正态分布还是泊松分布，都将通过条件均值最小化 MSE。（假设存在这种期望，并且我们不处理Cauchy。）MAE 的期望值将被中位数最小化。如果您的分布确实是对称的，就像法线一样，MSE 和 MAE 都将倾向于相同的点预测，但如果分布是不对称的，就像泊松一样，两个最小化器将是不同的。
您可能会发现我的一篇论文 ( Kolassa, 2020, IJF ) 很有用。或此线程：平均绝对百分比误差 (MAPE) 的缺点是什么？
因此，您的策略应该是首先确定您正在寻找的目标分布的哪个函数——平均值、中位数、分位数等等。然后，并且只有这样，您才能选择引发此功能的错误度量。