XGBoost 的时间序列
Time series with XGBoost
在一些时间序列数据上，我正在使用 XGBoost，我得到了很大的 RMSE 值：
我对所有数据（包括目标）进行了缩放，得到了 0 到 1 之间的值的逻辑结果：
我不确定根据缩放后的数据值我的模型是否准确？
一般我们使用MAE作为real-world数据的检验统计量
高 MSE 表明您的预测中存在较大的异常值。
MAE 对比 MSE：
平均绝对误差 (MAE) 不易受到异常值的影响，因为它不会“惩罚”异常值。
它用于使用连续变量数据测量性能的情况。
它产生一个线性数，使加权的个体差异相等。
均方误差 (MSE) 更容易受到异常值的影响，因为它会严重“惩罚”异常值。
当数据集包含异常值或意外值（值太高或太低）时，此指标表现出色。
补充提示：
您还应该查看 均方根误差 (RMSE) 指标。
这使您可以识别模型预测错误并加以修复。
如果 RMSE 接近 MAE，则模型会产生许多相对较小的错误。
如果 RMSE 接近于 MSE，则该模型的误差很小但很大。
MAE≤RMSE≤MSE（回归）
在一些时间序列数据上，我正在使用 XGBoost，我得到了很大的 RMSE 值：
我对所有数据（包括目标）进行了缩放，得到了 0 到 1 之间的值的逻辑结果：
我不确定根据缩放后的数据值我的模型是否准确？
一般我们使用MAE作为real-world数据的检验统计量
高 MSE 表明您的预测中存在较大的异常值。
MAE 对比 MSE：
平均绝对误差 (MAE) 不易受到异常值的影响，因为它不会“惩罚”异常值。
它用于使用连续变量数据测量性能的情况。
它产生一个线性数，使加权的个体差异相等。
均方误差 (MSE) 更容易受到异常值的影响，因为它会严重“惩罚”异常值。
当数据集包含异常值或意外值（值太高或太低）时，此指标表现出色。
补充提示：
您还应该查看 均方根误差 (RMSE) 指标。
这使您可以识别模型预测错误并加以修复。
如果 RMSE 接近 MAE，则模型会产生许多相对较小的错误。
如果 RMSE 接近于 MSE，则该模型的误差很小但很大。
MAE≤RMSE≤MSE（回归）