问题标签 [mean-square-error]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
r - 如何正确模拟平滑样条的偏差和方差？
我的目标是针对不同的自由度绘制三次平滑样条的偏差方差分解。
首先，我模拟了一个测试集（矩阵）和一个训练集（矩阵）。然后我迭代了 100 多个模拟，并在每次迭代中改变平滑样条的自由度。
我用下面的代码得到的输出没有显示任何权衡。计算偏差/方差时我做错了什么？
作为参考，该图的右侧面板（幻灯片 14）显示了我期望的权衡（来源）
keras - Keras 损失函数不会因均方误差而减少
我用 Keras 实现了一个神经网络来预测一个项目的评分。我将每个评分视为一个类，所以这是我的代码（outputY 是分类的）：
当我训练这个网络时，我得到以下结果，这很好：
然后我将问题视为回归并尝试预测用户评分的值（我需要以两种方式计算误差）。所以这是我的代码：
我得到了这个结果：
如您所见，它会减少一点，有时它根本不会改变。
那么我的回归有什么问题呢？
python-3.x - 我们如何在 Python 中测量 RMSE？
我正在使用Kalman Filters进行实验。我已经创建了一个非常小的时间序列数据，其中包含如下格式的三列。由于我无法在 stackoverflow 上附加文件，因此在此处附加了完整的数据集以实现可重复性：
我已经阅读了文档Kalman Filter并设法进行了简单的线性预测，这是我的代码
这给出了以下图作为输出
正如我们在图中看到的那样，该模式似乎被很好地捕捉到了。我们如何统计测量均方根误差 (RMSE)（上图中红线和蓝线之间的误差距离）？任何帮助，将不胜感激。
python - 如何使用 numpy 数组找到具有最小 MSE 的值？
我可能的价值观是：
我有一些价值观：
我想弄清楚我的哪些可能值最接近我的新值。理想情况下，我想避免for循环并想知道是否有某种矢量化方法来搜索最小均方误差？
我希望它返回一个如下所示的数组：[2, 1 ....
python - 如何将均方根误差表示为百分比？
我想将我的预测结果与另一个人的预测结果进行比较。在文章中，作者说“使用均方根 (RMS%) 的相对百分比来评估性能”。这就是我想与我的预测进行比较的内容。
目前我正在计算均方根误差，但是我不明白如何将其表示为百分比
这就是我使用 Python 计算均方根误差的方式
python - 当我为 XGBoost 执行均方误差时，为什么会出现 KeyError: 'Target_Variable'？
我正在我的航班延误数据集上执行 XGBoost。我执行并训练了数据集，但是当我试图找到均方误差测试时，我得到了上述错误。
我收到以下错误
可能是什么问题？我对数据科学非常陌生，因此将不胜感激。
keras - 为什么 Keras Compile 计算的 MSE 与 Scikit-Learn 计算的 MSE 不同？
我正在训练一个用于预测的神经网络模型。损失函数是均方误差 (MSE)。但是，我发现 Keras 计算的 MSE 与 Scikit-learn 计算的 MSE 有很大不同。
纪元 1/10 162315/162315 [==============================] - 14s 87us/步 - 损失：111.8723 - mean_squared_error ：111.8723 - val_loss：9.5308 - val_mean_squared_error：9.5308
Epoch 00001：损失从 inf 提高到 111.87234，将模型保存到 /home/Model/2019.04.26.10.55 Scikit Learn MSE = 208.811126
纪元 2/10 162315/162315 [===============================] - 14s 89us/步 - 损失：4.5191 - mean_squared_error ：4.5191 - val_loss：3.7627 - val_mean_squared_error：3.7627
……
Epoch 00010：损失从 0.05314 提高到 0.05057，将模型保存到 /home/Model/2019.04.26.10.55 Scikit Learn MSE = 0.484048
MSE 的计算公式为Keras：
MSE 的计算公式为Scikit-Learn：
你知道为什么会有如此不同吗？我还检查了它们的python代码，它们非常相似。
scikit-learn - 如何修复“输入包含 NaN、无穷大或对于 dtype('float64') 来说太大的值。” 在计算 MSLE 时
在尝试计算均方对数误差时，出现以下错误：
ValueError: Input contains NaN, infinity or a value too large for dtype('float64').
计算均方误差不会给出错误。以下代码可用于重现该问题：
我做了几项检查：
- 没有缺失值
- 没有无限的价值
- 数据类型是 float64
我不明白为什么它给了我错误。有人知道我在做什么错吗？
亲切的问候，
雅普
python - 为什么不对分类问题使用均方误差？
我正在尝试使用 LSTM 解决一个简单的二元分类问题。我试图找出网络的正确损失函数。问题是，当我使用二元交叉熵作为损失函数时，与使用均方误差 (MSE) 函数相比，训练和测试的损失值相对较高。
经过研究，我发现应该使用二元交叉熵来解决分类问题，使用 MSE 来解决回归问题。但是，在我的情况下，使用 MSE 进行二元分类，我得到了更好的准确性和更少的损失值。
我不确定如何证明这些获得的结果是合理的。为什么不对分类问题使用均方误差？