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
倔强青铜三12 小时前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
虫无涯13 小时前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案
人工智能
Dm_dotnet15 小时前
公益站Agent Router注册送200刀额度竟然是真的
人工智能
算家计算16 小时前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型
人工智能·开源
用户25191624271116 小时前
Python之语言特点
python
机器之心16 小时前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死
人工智能·openai
刘立军16 小时前
使用pyHugeGraph查询HugeGraph图数据
python·graphql
Juchecar17 小时前
交叉熵:深度学习中最常用的损失函数
人工智能
林木森ai17 小时前
爆款AI动物运动会视频,用Coze(扣子)一键搞定全流程(附保姆级拆解)
人工智能·aigc
聚客AI18 小时前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm