深度学习 该用什么标准判断差异最小

决定差异最小的标准通常依赖于您的具体问题和任务。以下是一些常见的用于评估预测性能的标准和思路:

  1. **均方根误差 (RMSE):** RMSE 是预测值和真实值之间差异的平方的平均值的平方根。它对较大的误差更加敏感。
python 复制代码
   from sklearn.metrics import mean_squared_error
   rmse = mean_squared_error(result_df['Real_Data'], result_df['Predicted_Data'], squared=False)
  1. **平均绝对误差 (MAE):** MAE 是预测值和真实值之间绝对差异的平均值。它对异常值不太敏感。
python 复制代码
   from sklearn.metrics import mean_absolute_error
   mae = mean_absolute_error(result_df['Real_Data'], result_df['Predicted_Data'])
  1. **平均百分比误差 (MAPE):** MAPE 表示平均预测误差的百分比。它在百分比方面提供了直观的度量。
python 复制代码
   def mean_absolute_percentage_error(y_true, y_pred): 
       y_true, y_pred = np.array(y_true), np.array(y_pred)
       return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
   mape = mean_absolute_percentage_error(result_df['Real_Data'], result_df['Predicted_Data'])
  1. **决定系数 (R-squared):** 决定系数表示模型能够解释目标变量方差的百分比。取值范围在0到1之间,越接近1表示模型拟合得越好。
python 复制代码
   from sklearn.metrics import r2_score
   r_squared = r2_score(result_df['Real_Data'], result_df['Predicted_Data'])

您可以选择一个或多个这些指标,具体取决于您关心的方面。例如,如果您更关注异常值,可能更倾向于使用 MAE 或 MAPE;如果您关心整体趋势和波动,可能更倾向于使用 RMSE 或 R-squared。在选择标准时,最好根据您的问题领域和任务目标来权衡不同的性能指标。

相关推荐
胖达不服输6 分钟前
「日拱一码」020 机器学习——数据处理
人工智能·python·机器学习·数据处理
吴佳浩13 分钟前
Python入门指南-番外-LLM-Fingerprint(大语言模型指纹):从技术视角看AI开源生态的边界与挑战
python·llm·mcp
吴佳浩42 分钟前
Python入门指南-AI模型相似性检测方法:技术原理与实现
人工智能·python·llm
liulilittle1 小时前
LinkedList 链表数据结构实现 (OPENPPP2)
开发语言·数据结构·c++·链表
叶 落1 小时前
计算阶梯电费
python·python 基础·python 入门
kebijuelun1 小时前
百度文心 4.5 大模型详解:ERNIE 4.5 Technical Report
人工智能·深度学习·百度·语言模型·自然语言处理·aigc
算家计算1 小时前
ComfyUI-v0.3.43本地部署教程:新增 Omnigen 2 支持,复杂图像任务一步到位!
人工智能·开源
新智元1 小时前
毕业 7 年,身价破亿!清北 AI 天团血洗硅谷,奥特曼被逼分天价股份
人工智能·openai
2401_891957311 小时前
list的一些特性(C++)
开发语言·c++
新智元1 小时前
刚刚,苹果大模型团队负责人叛逃 Meta!华人 AI 巨星 + 1,年薪飙至 9 位数
人工智能·openai