1

我正在玩时间序列和 Keras LSTM 1）双向和 2）多并行模型。我正在根据“mean_squared_error”指标保存最佳模型。我的数据集使用 MinMaxScaler（默认范围从 0 到 1）进行了标准化。数据集测试部分的均方误差为 0.02。这是否意味着我的模型的平均误差为 14% - 即 0.02^0.5。这是对模型精度的一个很好的实际解释吗？

假设我想预测这个序列中的第四个值：

[10, 20, 30, 40, 50, 60, 70, 80, 90]

所以我的 x_test 和 y_test 看起来像这样：

[10 20 30] 40
[20 30 40] 50
[30 40 50] 60
[40 50 60] 70
[50 60 70] 80
[60 70 80] 90

和代码：

cp = [ModelCheckpoint(filepath=path+"/epochBi.h5", monitor='mean_squared_error', verbose=1, save_best_only=True)]
model.compile(optimizer='adam', loss='mse', metrics= ['mean_squared_error'])
history_callback = model.fit(X_train, y_train, epochs=200, verbose=1, callbacks=cp)
model.load_weights(path+"/epochBi.h5")
score = model.evaluate(X_test, y_test, verbose=1)

假设我在原始数据集上进行评估，我将如何解释 MSE=0.02？

4

2 回答 2

2

更新问题已更新，因此有新评论

同样，你的 0.2 的 MSE 并不意味着任何东西的 14%，它只是一个标量，你不能把它当作你的基本事实的百分比。

这是对模型精度的一个很好的实际解释吗？

我会以不同的方式问这个问题，what does it mean to me?

好吧，看看你的目标值在 40 到 90 之间，你可以说平均而言，你的错误是 0.14。现在，如果您需要更多详细信息，这意味着当您预测 40 时，您猜到了 39.86，当 50 --> 50.14、60--> 59.86 时，等等。但这是平均水平。

希望你现在明白了

让我们看一下均方误差（MSE）的公式：

在此处输入图像描述

所以它只是预测数据点和实际数据点之间的平方差的平均值。在您的情况下，MSE (RMSE) 的平方根是 0.02^0.5 或大约 0.14（四舍五入）。

这是否意味着我的模型平均误差为 14%

不，当你得到 0.14 的损失时，你不能说你的错误是 14%。0.14 只是错误的值，您的每个单独的错误可能是负数或正数，使它们的和为零，但不是它们的平方和。

对模型精度有很好的实际解释吗？

取决于你的目标。您通常根据一些其他指标来衡量准确性，例如 MAE、R sqaured 等。假设您没有将数据重新调整到其原始大小，那么就无法知道这在绝对意义上是好是坏。因此，我建议您根据重新调整的数据测量 MSE，然后再决定，如果还没有这样做的话。

于 2019-09-17T09:12:45.337 回答
1

您正在使用 MSE 来测量模型答案与实际答案之间的距离。也许你的模型永远不会准确地猜到你的目标，但它的猜测足够接近目标。因此，您无法在此处计算百分比或准确度。有关更多信息，您可以阅读回归模型和分类模型之间的差异。

于 2019-09-17T06:49:08.997 回答