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
我叫侯小科9 分钟前
YOLOv4:目标检测界的 “集大成者”
人工智能·yolo·目标检测
无敌最俊朗@19 分钟前
解决 QML 中使用 Qt Charts 崩溃的三个关键步骤
开发语言·qt
小姐姐味道24 分钟前
AI应用时代:多读论文勤尝试,少做讨论少分享,是活下去的关键
人工智能·程序员·开源
星期天要睡觉25 分钟前
大模型(Large Language Model, LLM)——什么是大模型,大模型的基本原理、架构、流程
人工智能·python·ai·语言模型
墨利昂26 分钟前
机器学习和深度学习模型训练流程
人工智能·深度学习·机器学习
会飞的小新27 分钟前
C 标准库之 <errno.h> 详解与深度解析
c语言·开发语言
wktomo28 分钟前
数据挖掘比赛baseline参考
人工智能·数据挖掘
言之。32 分钟前
大语言模型科普报告
人工智能·语言模型·自然语言处理
文火冰糖的硅基工坊33 分钟前
[人工智能-大模型-27]:大模型应用层技术栈 - 大语言模型中的token是什么?
人工智能·语言模型·自然语言处理
Test-Sunny1 小时前
【AI增强质量管理体系结构】AI+自动化测试引擎 与Coze
人工智能