def kaeri_loss():

    def kaeri_metric(y_true, y_pred):

        '''

        y_true: dataframe with true values of X,Y,M,V

        y_pred: dataframe with pred values of X,Y,M,V

        return: KAERI metric

        '''

        return 0.5 * E1(y_true, y_pred) + 0.5 * E2(y_true, y_pred)

### E1과 E2는 아래에 정의됨 ###

    def E1(y_true, y_pred):

        '''

        y_true: dataframe with true values of X,Y,M,V

        y_pred: dataframe with pred values of X,Y,M,V

        return: distance error normalized with 2e+04

        '''

        tf.keras.backend

        # _t, _p = np.array(y_true)[:,:2], np.array(y_pred)[:,:2]

        _t, _ = tf.split(y_true, 2, 1)

        _p, _ = tf.split(y_pred, 2, 1)

        # return np.mean(np.sum(np.square(_t - _p), axis = 1) / 2e+04)

        return tf.keras.backend.sum(tf.keras.backend.square(_t - _p), axis = 1) / 2e+04

    def E2(y_true, y_pred):

        '''

        y_true: dataframe with true values of X,Y,M,V

        y_pred: dataframe with pred values of X,Y,M,V

        return: sum of mass and velocity's mean squared percentage error

        '''

        # _t, _p = np.array(y_true)[:,2:], np.array(y_pred)[:,2:]

        _, _t = tf.split(y_true, 2, 1)

        _, _p = tf.split(y_pred, 2, 1)

        return tf.keras.backend.sum(tf.keras.backend.square((_t - _p) / (_t + 1e-06)), axis = 1)

        # return np.mean(np.sum(np.square((_t - _p) / (_t + 1e-06)), axis = 1))

    return kaeri_metric

---------------------- 절삭--------------------------

Models.compile(optimizer=tf.keras.optimizers.Adam(lr=0.XXXXX), 

              loss=kaeri_loss())

또는

Models.compile(optimizer=tf.keras.optimizers.Adam(lr=0.0005), 

              loss='mse', metrics=[kaeri_loss()])

저도 처음 만들어본거라 평가함수를 loss로 변경한것인데 맞는진 모르겠네요.

mse로 접근한 것보단 잘나와서 사용은 하고 있는데 수정부분 있으면 말씀해주세요.