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
消失的旧时光-19433 分钟前
ScheduledExecutorService
android·java·开发语言
勇闯逆流河4 分钟前
【C++】用红黑树封装map与set
java·开发语言·数据结构·c++
山,离天三尺三4 分钟前
深度拷贝详解
开发语言·c++·算法
TextIn智能文档云平台11 分钟前
LLM 文档处理:如何让 AI 更好地理解中文 PDF 中的复杂格式?
人工智能·pdf
Blossom.11813 分钟前
把AI“撒”进农田:基于极值量化与状态机的1KB边缘灌溉决策树
人工智能·python·深度学习·算法·目标检测·决策树·机器学习
Red Car13 分钟前
如何向文件夹内所有PDF增加水印
python·pdf
Q_Q51100828523 分钟前
python+uniapp基于微信小程序团购系统
spring boot·python·微信小程序·django·uni-app·node.js·php
takashi_void24 分钟前
本地实现斯坦福小镇(利用大语言模型使虚拟角色自主发展剧情)类似项目“Microverse”
人工智能·语言模型·自然语言处理·godot·游戏程序·斯坦福小镇
future_studio28 分钟前
聊聊 Unity(小白专享、C# 小程序 之 加密存储)
开发语言·小程序·c#
java1234_小锋42 分钟前
TensorFlow2 Python深度学习 - 循环神经网络(LSTM)示例
python·rnn·深度学习·tensorflow2