时间序列预测的特征缩放
Feature Scaling for Time Series Forecasting
我正在进行时间序列分析，准确地说是多变量时间序列，在将输入输入我的 LSTM 模型之前，我已经对它们进行了缩放。我用来评估我的模型的指标是损失和平均绝对误差，两者都是针对验证集的。
我的损失和 MAE 都低于 1，我能够取得相当不错的结果。但是，我突然想到，由于我的数据已经缩放，所以它在 1 到 -1 的范围内，因此, 这些结果并不奇怪。
本质上，我的问题是，当数据已缩放时，您如何评估旨在执行时间序列预测甚至回归的模型？由于数据落入的范围，损失不会非常低吗？
Isn't the loss going to be very low anyway due to the range that the data falls in?
是的，但是，这里的损失函数通常是比较一个模型与另一个模型的性能。只要您在同一数据上对其进行缩放建模，这就很有用。
但是，如果您想更好地了解未缩放的损失，您可以计算 MAE，然后使用您最初适合的相同缩放器反向缩放损失。最后，我不建议您使用错误指标来判断模型的“好结果”，除非您有一个可渗透的基准。你真的应该在图表上绘制预测值与实际值
我正在进行时间序列分析，准确地说是多变量时间序列，在将输入输入我的 LSTM 模型之前，我已经对它们进行了缩放。我用来评估我的模型的指标是损失和平均绝对误差，两者都是针对验证集的。
我的损失和 MAE 都低于 1，我能够取得相当不错的结果。但是，我突然想到，由于我的数据已经缩放，所以它在 1 到 -1 的范围内，因此, 这些结果并不奇怪。
本质上，我的问题是，当数据已缩放时，您如何评估旨在执行时间序列预测甚至回归的模型？由于数据落入的范围，损失不会非常低吗？
Isn't the loss going to be very low anyway due to the range that the data falls in?
是的，但是，这里的损失函数通常是比较一个模型与另一个模型的性能。只要您在同一数据上对其进行缩放建模，这就很有用。
但是，如果您想更好地了解未缩放的损失，您可以计算 MAE，然后使用您最初适合的相同缩放器反向缩放损失。最后，我不建议您使用错误指标来判断模型的“好结果”，除非您有一个可渗透的基准。你真的应该在图表上绘制预测值与实际值