LSTM 模型（双向或多并行）中的均方误差解释
Mean squred error interpretation in LSTM model (bidirectional or multiparallel)
我正在玩时间序列和 Keras LSTM 1) 双向和 2) 多并行模型。我在存钱
根据 "mean_squared_error" 指标的最佳模型。我的数据集使用 MinMaxScaler 进行了标准化（默认范围从 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为 14% - 即 0.02^0.5。它是对模型精度的一个很好的实际解释吗？
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 看起来像这样：
[10 20 30] 40
[20 30 40] 50
[30 40 50] 60
[40 50 60] 70
[50 60 70] 80
[60 70 80] 90
和代码：
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)
假设我在原始数据集上进行评估，我将如何解释 MSE=0.02？
您正在使用 MSE 来衡量您的模型答案与实际答案之间的距离。也许你的模型永远不会准确地猜测你的目标，但它的猜测足够接近目标。因此，您无法在此处计算百分比或准确度。
有关更多信息，您可以阅读回归和分类模型之间的差异。
UPDATE 问题已更新，因此有新评论
同样，您的 MSE 为 0.2 并不意味着任何东西的 14%，它只是一个标量，您不能将其作为基本事实的百分比。
Is it a good practical interpretation of the model's precision?
我会以不同的方式问这个问题，what does it mean to me?
嗯，看看你的目标值范围从 40 到 90，你可以说平均而言，你的错误是 0.14。现在如果你需要更多的细节，这意味着当你预测 40 时，你猜到了 39.86，当 50 --> 50.14，60--> 59.86 等等。但这是平均数。
希望你现在明白了
我们来看看均方误差（MSE）的公式：
所以它只是预测数据点和实际数据点之间的平方差的平均值。在您的情况下，MSE (RMSE) 的平方根是 0.02^0.5 或大约 0.14（四舍五入）。
Does it mean that my model mean error is 14%
不，当你得到0.14的损失时，你不能说你的错误是14%。 0.14 只是误差的值，您的每个误差可能是负数或正数，使它们的总和为零而不是它们的平方和。
Is it good practical interpretation of the model precision?
取决于您的目标。您通常会根据其他一些指标来衡量准确性，例如 MAE、R 平方和其他指标。假设您没有将数据重新缩放到其原始大小，那么就没有办法知道这是绝对的好坏。因此，我建议您在重新缩放的数据上测量 MSE，然后再决定（如果还没有这样做的话）。
我正在玩时间序列和 Keras LSTM 1) 双向和 2) 多并行模型。我在存钱 根据 "mean_squared_error" 指标的最佳模型。我的数据集使用 MinMaxScaler 进行了标准化（默认范围从 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为 14% - 即 0.02^0.5。它是对模型精度的一个很好的实际解释吗？
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 看起来像这样：
[10 20 30] 40
[20 30 40] 50
[30 40 50] 60
[40 50 60] 70
[50 60 70] 80
[60 70 80] 90
和代码：
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)
假设我在原始数据集上进行评估，我将如何解释 MSE=0.02？
您正在使用 MSE 来衡量您的模型答案与实际答案之间的距离。也许你的模型永远不会准确地猜测你的目标，但它的猜测足够接近目标。因此，您无法在此处计算百分比或准确度。 有关更多信息，您可以阅读回归和分类模型之间的差异。
UPDATE 问题已更新，因此有新评论
同样，您的 MSE 为 0.2 并不意味着任何东西的 14%，它只是一个标量，您不能将其作为基本事实的百分比。
Is it a good practical interpretation of the model's precision?
我会以不同的方式问这个问题，what does it mean to me?
嗯，看看你的目标值范围从 40 到 90，你可以说平均而言，你的错误是 0.14。现在如果你需要更多的细节，这意味着当你预测 40 时，你猜到了 39.86，当 50 --> 50.14，60--> 59.86 等等。但这是平均数。
希望你现在明白了
我们来看看均方误差（MSE）的公式：
所以它只是预测数据点和实际数据点之间的平方差的平均值。在您的情况下，MSE (RMSE) 的平方根是 0.02^0.5 或大约 0.14（四舍五入）。
Does it mean that my model mean error is 14%
不，当你得到0.14的损失时，你不能说你的错误是14%。 0.14 只是误差的值，您的每个误差可能是负数或正数，使它们的总和为零而不是它们的平方和。
Is it good practical interpretation of the model precision?
取决于您的目标。您通常会根据其他一些指标来衡量准确性，例如 MAE、R 平方和其他指标。假设您没有将数据重新缩放到其原始大小，那么就没有办法知道这是绝对的好坏。因此，我建议您在重新缩放的数据上测量 MSE，然后再决定（如果还没有这样做的话）。