模型训练输出#

在 TensorFlow 的训练输出中，以下是你提到的各个指标的含义：

1. loss: 0.7192

   • 这是模型在训练集上的损失值。损失函数用于衡量模型预测值与真实值之间的差距。较低的损失值通常表示模型的性能较好。

2. mae (Mean Absolute Error): 0.6533

   • 这是平均绝对误差，表示模型预测值与真实值之间的平均绝对差。MAE 越小，表示模型的预测越准确。

3. mape (Mean Absolute Percentage Error): 218.3656

   • 这是平均绝对百分比误差，表示模型预测值与真实值之间的平均绝对百分比差。MAPE 的值越小，表示模型的预测越准确。注意，MAPE 的值可以大于 100%，这通常表示模型在某些情况下的预测误差较大。

4. val_loss: 1.1313

   • 这是模型在验证集上的损失值。验证集用于评估模型的泛化能力。较低的验证损失值表示模型在未见数据上的表现较好。

5. val_mae: 0.8605

   • 这是模型在验证集上的平均绝对误差。与训练集的 MAE 类似，较低的验证 MAE 表示模型在验证集上的预测准确性较高。

6. val_mape: 100.3683

   • 这是模型在验证集上的平均绝对百分比误差。与训练集的 MAPE 类似，较低的验证 MAPE 表示模型在验证集上的预测准确性较高。

7. learning_rate: 0.0010

   • 这是当前使用的学习率。学习率是优化算法中的一个超参数，控制模型在每次更新时调整权重的幅度。较小的学习率可能导致训练速度较慢，而较大的学习率可能导致训练不稳定。

总结

这些输出指标帮助你评估模型的训练效果和泛化能力。理想情况下，你希望训练损失和验证损失都较低，并且 MAE 和 MAPE 也尽可能小。通过监控这些指标，你可以判断模型是否需要进一步调整超参数或改进模型结构。

模型评估#

https://www.youtube.com/watch?v=KzHJXdFJSIQ

计算几个关键的性能指标:

MAE (平均绝对误差)

MSE

RMSE (均方根误差)

MAPE (平均绝对百分比误差)

MAPE (平均绝对百分比误差) 出现 “inf%” 通常是因为数据中存在0值。因为MAPE的计算公式是 |actual - predicted| / actual * 100，当实际值(actual)为0时，会导致除以0的情况，从而得到无穷大(inf)。

MPE

R² Score (决定系数)