我最终实现了这样的事情：

def tweedieloss(y_true, y_pred):
    p=1.5
    dev = 2 * (K.pow(y_true, 2-p)/((1-p) * (2-p)) -
                   y_true * K.pow(y_pred, 1-p)/(1-p) +
                   K.pow(y_pred, 2-p)/(2-p))
    return K.mean(dev)

我不知道它有多正确，现在它似乎正在工作。

嘿，感谢您分享您的解决方案，我也在寻找这个！坦率地说，我很惊讶 Tweedie 分布并不那么受欢迎，因为零膨胀数据相当普遍。

只是想对此添加一些评论，我正在提交一个“答案”，因为评论有严格的字符限制：

1. 您的解决方案是Tweedie 偏差，它与 $-2LL$，这意味着您可以安全地放弃乘数 2 并改为最小化负对数似然（不应该影响您的结果）

2. 从技术上讲，您的公式中有一个小遗漏：在第一个比率中，而不是$\frac{y^{2-p}}{(1-p)(2-p)}$， 它应该是$\frac{\max(y,0)^{2-p}}{(1-p)(2-p)}$虽然我认为在实践中你只会使用非负值，所以没关系

3. 最后，我还要注意这个定义只适用于方差功率值$p \notin \{0,1,2\}$，对于那些特殊情况，请参阅上述关于 Tweedie 偏差的链接