使用 python 和 sklearn.neural_network.MLPRegressor 用于训练优化的自定义损失函数

Question

我正在使用 scikit-learn 神经网络工具箱 sklearn.neural_network.MLPRegressor 来训练具有 24 个节点的输出向量的回归器。我希望使用类似于动态时间扭曲（但稍微简化）的误差函数来量化预测误差。我已经编写了量化两个输入向量之间的误差的函数，但不确定如何将其与 sklearn 的 MLP 回归器链接起来。

问：这是否只是定义一个评分对象（如sklearn所示）并将其输入到训练部分的情况。

下面是我定义的损失函数。

def MAAPE(actual,forecast,p,w):
error_array = np.zeros([len(actual), len(forecast)])
error_sum = 0

for i in range(len(actual)):
    for j in range(len(forecast)):            
        if abs(i-j)>w:
            error_array[i,j] = float('inf')
        else:
            error_array[i,j] = abs(actual[i] - forecast[j])/actual[i]        
    error_sum = error_sum + min(error_array[i,:])**p        
MAAPE = (error_sum**(1/p))/len(actual)    
return MAAPE