为什么将神经网络质量表示为 1 减去预测中的平均绝对误差与预测值范围的比值？
Why represent neural network quality as 1 minus the ratio of the mean absolute error in prediction to the range of the predicted values?
documentation for IBM's SPSS Modeler 将神经网络质量定义为：
For a continuous target, this 1 minus the ratio of the mean absolute error in prediction (the average of the absolute values of the predicted values minus the observed values) to the range of predicted values (the maximum predicted value minus the minimum predicted value).
这个计算标准吗？
我无法理解质量是如何由此产生的。
这里的要点是让网络质量度量独立于输出值的范围。建议的措施是1 - relative_error这意味着对于一个完美的网络，你会得到最大的质量1。也意味着质量不能变得低于0。
示例：
如果您想预测 0 到 1 范围内的值，0.2 的绝对误差意味着 20%。当预测 0 到 100 范围内的值时，对于 20% 的相同准确度，您可能会有更大的绝对误差 20%。
使用您描述的公式时，您会遇到以下相关错误：
1 - 0.2 / (1 - 0) = 0.8
1 - 20 / (100 - 0) = 0.8
documentation for IBM's SPSS Modeler 将神经网络质量定义为：
For a continuous target, this 1 minus the ratio of the mean absolute error in prediction (the average of the absolute values of the predicted values minus the observed values) to the range of predicted values (the maximum predicted value minus the minimum predicted value).
这个计算标准吗？
我无法理解质量是如何由此产生的。
这里的要点是让网络质量度量独立于输出值的范围。建议的措施是1 - relative_error这意味着对于一个完美的网络，你会得到最大的质量1。也意味着质量不能变得低于0。
示例：
如果您想预测 0 到 1 范围内的值，0.2 的绝对误差意味着 20%。当预测 0 到 100 范围内的值时，对于 20% 的相同准确度，您可能会有更大的绝对误差 20%。
使用您描述的公式时，您会遇到以下相关错误：
1 - 0.2 / (1 - 0) = 0.8
1 - 20 / (100 - 0) = 0.8