问题标签 [mean-square-error]

我希望这个问题适合这里，因为它不仅是关于编码问题，而且还挖掘了一些关于线性混合效应模型的理论问题。假设线性混合效应模型：

我可以计算它的 AIC 分数并用它来将模型与其他模型进行比较。就我而言，我有另一个模型：

mymodel3的预测是 model1 和 model2 = 预测中的最小值min[model1, model2]。我想比较model3，model1我知道我可以使用均方误差 (MSE) 例如。但是，MSE 没有考虑到这model3是两个模型的组合，并且 MSE 的差异可能无法证明增加的复杂性是合理的。那么，我可以计算一个考虑模型复杂性的测量值，例如 AIC，以便比较模型吗？

注意：model1对所有数据进行了训练，model2仅针对子集。这样做是因为我假设子集中的项目可能会以不同的方式处理。因此，对于某些项目stem和其他项目form是更好的预测器（如文献中所讨论的）。

我正在尝试进行线性回归，但不知道计算成本函数：

这是我的代码：

错误：

我正在使用 tensorflow 训练自动编码器，入门代码提供了一种计算均方误差作为损失函数的方法。

请注意，self.x 是包含输入数据（MNIST，具有 784 个特征）的张量，self.x_ 是算法另一端解码器的结果。

我想使用 MSE 来找到一些输入参数的最佳值（即在我正在处理的这个无监督问题中找到的集群数量），但是 MSE 在不同的运行之间没有足够的区别来尝试肘部方法。相反，我认为我可以尝试不同的指标，例如均方对数误差。可以在此处找到该指标的公式。

最初我尝试了以下代码；

但是，每当我运行它时，它都会返回 nan。我认为这与 tf.log() 无法处理零有关。

所以我尝试过一些产生价值的解决方案（我只是不确定哪个是最好的）；

1. 使用 tf.clip_by_value()

这将运行并返回值，但我认为这是不正确的，因为它们非常大，大约。240

2. 添加一个小常数

这会产生有效值，小于解决方案 1)，ca。12（所以小了一个数量级）。这让我担心这两种方法不能互换，这就引出了一个问题，这里的正确方法是什么？当我最初遇到添加一个小常数的建议时，建议是添加一个小得多的常数（1e-10），但我一直得到 nan 直到我将常数变得足够大，如 1e-4。

3. 使用 tf.where() 我找到了一个旨在捕捉零的解决方案。

但是我认为我没有正确实施它，因为我仍然使用这种方法得到 nan 。

如果有人能够在不影响我得到的价值观的情况下提出最好的方法，我将不胜感激。谢谢。

如何创建一个循环重复以下内容，但每次从a=10中减去 0.1 ？它应该重复 100 次然后停止。谢谢！

当我使用如下代码时，我完全感到困惑：

哪个值显示更好的性能？例如，当 score1 的数字分别为 -1.4 和 -2.5，model1 和 model2 和 model3 分别为 2.3 时，哪个模型在 score1 方面效果更好？

我正在尝试使用遗传算法找到模型的最佳 5 个参数（微分方程的解）以拟合时间序列。

我使用 Scikit-Opt 遗传算法 ( https://scikit-opt.github.io/scikit-opt/#/en/README ) 来执行以下操作：

1. 定义模型 --> model(a, b, c, d, e)来拟合时间序列 --> series

（模型给出了一个微分方程的解：一个与该序列长度相同的时间序列）

2. 将算法的适应度函数定义为模型解与序列解的均方误差

def fitness_func(a, b, c, d, e): error = sklearn.metrics.mean_squared_error(model(a, b, c, d, e), series) return error

3. 使用一些参数构建 GA，如 lb（下界）和 ub（上界），这两个边界通过手动拟合已知：

sko.GA.GA(func = fitness_func0, n_dim = 5,size_pop = 100, max_iter = 50, lb = [-0.5, -0.3 ,0.01, 0.0001, 0.1],ub = [-0.01, -0.01, 0.5, 0.0625, 10], precision = 1e-4, prob_mut = 0.2)

4. 运行 GA：

best_x, best_y = ga.run()

bext_x是使均方误差(a, b, c, d, e)最小化的参数中的 5 个， best_y是模型的 best_x 参数的均方误差值

当我运行代码时它可以工作（我的意思是，生成 5 个参数，求解模型并计算解决方案和系列之间的均方误差以找到使其最小化的参数），但它不会优化误差和给出的参数也不适合这个系列。

我绘制结果并发现：

即使我进行手动拟合，我也发现了比遗传算法发现的最佳均方误差

我想使用对数刻度的 Cramer-Rao 下限绘制 RMSE VS 噪声方差 (S/N)。我无法弄清楚如何使用 CRLB 来绘制它。我的代码是：

请指导。谢谢。

我想通过 Fashion_Mnist 数据，我想查看输出梯度，它可能是第一层和第二层之间的均方和

我的代码首先在下面

我想要得到的，

在这里，model[0]（这可能是第一层 nn.Linear(784, 128)），我很想得到第一层和第二层的均方误差，

如果我运行此代码，我会在下面收到此错误

如果我想正确运行此代码以获取 MSELoss，我需要做什么？

我对 ASE 和 MSE 有点困惑，因为当我在 SAS Enterprise Miner 中建模我的模型时，它显示了这两个测量尺度。两者之间有什么区别或相似之处，如果它们相似，为什么它们都被显示。示例屏幕截图如下所示。

我正在尝试应用均方误差梯度下降解决方案来找到某些数据的指数最佳拟合方程。我的解决方案在一半的时间里完美运行，但在另一半完全失败......例如，当我发送 time1 和 values1 列表时，解决方案似乎发散到无穷大。但是，如果我从这些相同的列表中删除最后一项，则代码会生成正确的值（列出 time2 和 values2）。有趣的是，如果列表的最后一个值更改为 15，则该解决方案也有效。但是任何高于 16 的值都会失败。

我完全不知道为什么这不起作用。任何帮助将不胜感激。我怀疑解决方案植根于一些我不完全理解的数学......