LSTM模型中的平均压缩误差解释(双向或多平行)

Question

我在玩时间序列和Keras 1)双向和2)多并行模型。根据"mean_squared_error“指标，我正在保存最好的模型。我的数据集是用MinMaxScaler标准化的(默认范围为0到1)。数据集测试部分的均方误差为0.02。这是否意味着我的模型的平均误差是14%，即0.02^0.5。这是对模型精度的一种很好的实用解释吗？

假设我想预测这个序列中的第四个值：

[10, 20, 30, 40, 50, 60, 70, 80, 90]

所以我的x_test和y_test是这样的：

[10 20 30] 40
[20 30 40] 50
[30 40 50] 60
[40 50 60] 70
[50 60 70] 80
[60 70 80] 90

守则如下：

cp = [ModelCheckpoint(filepath=path+"/epochBi.h5", monitor='mean_squared_error', verbose=1, save_best_only=True)]
model.compile(optimizer='adam', loss='mse', metrics= ['mean_squared_error'])
history_callback = model.fit(X_train, y_train, epochs=200, verbose=1, callbacks=cp)
model.load_weights(path+"/epochBi.h5")
score = model.evaluate(X_test, y_test, verbose=1)

假设我对原始数据集进行了评估，我将如何解释MSE=0.02？

Answer 1

更新问题被更新了，因此有了一个新的评论

再说一遍，你的MSE 0.2并不意味着14%的任何东西，它只是一个标量，你不能把它当作你的地面真理的百分比。

是对模型精度的一个很好的实用解释吗？

我会以不同的方式问这个问题，what does it mean to me?

那么，看看你的目标值在40到90之间，你可以说，平均来说，你的错误是0.14。如果你需要更多的细节，这意味着当你预测40的时候，你猜到了39.86，当50 -> 50.14，60-> 59.86等等，但这是平均的。

希望你现在有了这个想法

让我们看一看均方误差(MSE)公式：

​

​

因此，这只是预测数据点和实际数据点之间平方差的平均值。在您的示例中，MSE (RMSE)的sqaure根为0.02^0.5或0.14左右(四舍五入)。

是否意味着我的模型的平均误差为14%？

不，当你损失0.14时，你不能说你的错误是14%。0.14只是误差的值，你的每一个错误可能是负的或正的，使他们的和为零，而不是他们的平方和。

能很好地解释模型的精度吗？

取决于你的目标。您通常测量的准确性取决于其他一些指标，如MAE，R sqaured和其他。假设你没有将你的数据恢复到最初的大小，那么就没有办法知道这在绝对条件下有多好或有多坏。因此，我建议您在重新标度的数据上测量MSE，然后决定，如果还没有这样做的话。

Answer 2

您正在使用MSE来度量模型答案与实际答案之间的距离。也许你的模型从来没有准确地猜测过你的目标，但它的猜测足够接近目标。所以，你不能在这里计算百分比或准确度。有关更多信息，您可以阅读回归模型和分类模型之间的差异。