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
Chef_Chen几秒前
从0开始学习机器学习--Day19--学习曲线
人工智能·学习·机器学习
小鹿( ﹡ˆoˆ﹡ )4 分钟前
Matplotlib 绘图艺术:从新手到高手的全面指南
python·matplotlib
小鹿( ﹡ˆoˆ﹡ )8 分钟前
深入探索 Seaborn:高级绘图的艺术与实践
python·信息可视化
hummhumm8 分钟前
Oracle 第29章:Oracle数据库未来展望
java·开发语言·数据库·python·sql·oracle·database
计算机科研狗@OUC13 分钟前
【TMM2024】Frequency-Guided Spatial Adaptation for Camouflaged Object Detection
人工智能·深度学习·目标检测·计算机视觉
聪明的墨菲特i16 分钟前
Django前后端分离基本流程
后端·python·django·web3
wainyz17 分钟前
Java NIO操作
java·开发语言·nio
悟兰因w19 分钟前
论文阅读(三十五):Boundary-guided network for camouflaged object detection
论文阅读·人工智能·目标检测
大山同学21 分钟前
多机器人图优化:2024ICARA开源
人工智能·语言模型·机器人·去中心化·slam·感知定位
工业3D_大熊22 分钟前
【虚拟仿真】CEETRON SDK在船舶流体与结构仿真中的应用解读
java·python·科技·信息可视化·c#·制造·虚拟现实