Machine learning 如何在Keras回归器中解释MSE

我正试图建立一个模型来预测房价

我有一些功能X（浴室数量等）和目标Y（约30万至80万美元）

在将Y装配到模型之前，我使用了sklearn的标准缩放器对其进行标准化。

这是我的Keras模型：

def build_model（）：
模型=顺序（）
添加（密集（36，输入尺寸=36，激活=relu'））
添加（密集（18，输入尺寸=36，激活=relu'））
model.add（密集型（1，激活='sigmoid'））
compile（loss='mse'，optimizer='sgd'，metrics=['mae'，'mse']
回归模型

我在解释结果时遇到了困难——MSE为0.617454319755意味着什么

我是否必须对这个数字进行逆变换，并对结果进行平方根运算，得到741.55美元的错误率

math.sqrt（sc.inverse_transform（[mse]））

---

我为刚开始时听起来很傻而道歉

MSE是均方误差，下面是公式。

基本上，它是预期输出和预测的不同值的平方平均值。求平方根并不能得到误差和输出之间的差异。这对培训很有用

目前您已经构建了一个模型。 如果要训练模型，请使用这些功能

mode.fit(x=input_x_array, y=input_y_array, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

若你们想预测输出，你们应该使用下面的代码

prediction = model.predict(np.array(input_x_array))
print(prediction)

你可以在这里找到更多细节

我为刚开始时听起来很傻而道歉

不要；这是一个非常重要的微妙问题，通常（遗憾的是）在教程和介绍性论述中忽略了这一点

不幸的是，它不像求逆变换MSE的平方根那么简单，但也没有那么复杂；基本上你要做的是：

将预测转换回原始数据的初始比例

获取这些反转转换预测和原始数据之间的MSE

取结果的平方根

为了获得在您的问题的业务环境中有意义的模型性能指标（例如，此处的美元）

让我们看一个玩具数据的快速示例，省略模型本身（这在这里是无关的，事实上可以是任何回归模型，而不仅仅是Keras模型）：

来自sklearn.preprocessing导入StandardScaler的

从sklearn.metrics导入均方误差
将numpy作为np导入
#玩具数据
X=np.数组（[[1,2]，[3,4]，[5,6]，[7,8]，[9,10]）
Y=np.数组（[3,4,5,6,7]）
#特征缩放
sc_X=StandardScaler（）
X_序列=sc_X.拟合变换（X）
#结果量表：
sc_Y=StandardScaler（）
Y_序列=sc_Y.拟合_变换（Y.整形（-1,1））
你的火车
#数组（[-1.41421356]，
#        [-0.70710678],
#        [ 0.        ],
#        [ 0.70710678],
#        [ 1.41421356]])

现在，假设我们使用缩放集

X_-train

和

Y_-train

拟合我们的Keras模型（此处未显示），并获得训练集上的预测：

prediction=model.predict（X#u列）#此处按比例输入
打印（预测）
# [-1.4687586  -0.6596055   0.14954728  0.95870024  1.001172  ]

Keras报告的MSE实际上是按比例计算的MSE，即：

MSE\u scaled=均方误差（Y\u序列，预测）
MSE_标度
# 0.052299712818541934

我上面描述的3个步骤很简单：

MSE=均方误差（Y，sc_Y.逆变换（预测））#前两步，组合
微卫星
# 0.10459946572909758
np.sqrt（MSE）#第三步
# 0.323418406602187

因此，在我们的例子中，如果我们的初始Y是美元，那么相同单位（美元）的实际误差是0.32（美元）

请注意，对缩放的MSE进行逆变换的简单方法将给出非常不同（且不正确）的结果：

np.sqrt（sc_Y.逆变换（[MSE_scaled]））
#阵列（[2.25254588]）

OP并没有要求这样做，而是要求在培训结果之前进行缩放时对结果MSE进行解释。非常感谢您的详细解释！由于答案的清晰性和卓越性，我们向上投票。这个答案对于刚接触ML/DL的人来说是非常有价值的，因为他们不知道从模型中获取数据需要做什么。好极了！