Keras 理解SMAPE的模糊性
我已经实现了几种回归预测方法,现在我想对它们进行比较。我选择了MAE、RMSE和SMAPE评级。我的结果如下:Keras 理解SMAPE的模糊性,keras,forecasting,Keras,Forecasting,我已经实现了几种回归预测方法,现在我想对它们进行比较。我选择了MAE、RMSE和SMAPE评级。我的结果如下: 方法1:MAE=0,6,RMSE=0,9和SMAPE 531 方法2:MAE=3,0,RMSE=6,1和SMAPE 510 方法3:MAE=10,1,RMSE=17,00和SMAPE 420 当我绘制预测图并将其与测试集进行比较时,我可以看到方法1>方法2>方法3。MAE和RMSE的值也表明了这一点。但我认为得出的SMAPE越低,预测就越好 我误解了斯玛普吗? 由于phyton中没有预
def smape(A, F):
return 100/len(A) * np.sum(2 * np.abs(F - A) / (np.abs(A) + np.abs(F)))
还是计算错了
提前谢谢好的,也许方法不对。。相反,我用的是Kaggle的这个:
from numba import jit
import math
@jit
def smape_fast(y_true, y_pred):
out = 0
for i in range(y_true.shape[0]):
a = y_true[i]
b = y_pred[i]
c = a+b
if c == 0:
continue
out += math.fabs(a - b) / c
out *= (200.0 / y_true.shape[0])
return out
现在,与MAE和RMSE相比,我的结果从SMAPE中看起来更可信