Python 如何使用RMSE和MAE性能度量比较随机林（无缩放）和LSTM（有缩放）

我不熟悉机器学习，并尝试使用随机森林、简单线性回归和NN（LSTM）等多种模型进行比特币价格预测

据我所知，随机林和线性回归不需要输入特征缩放，而LSTM需要输入特征缩放

如果我们比较两种算法的MAE和RMSE（有缩放和无缩放），结果肯定会不同，我无法比较哪个模型的性能更好

我现在应该如何比较这些模型的性能

---

更新-添加我的代码

资料

最小最大定标器

从sklearn.preprocessing导入MinMaxScaler
scaler=MinMaxScaler（功能范围=（0,1））
scaler1=MinMaxScaler（特征值范围=（0，1））
x_序列=缩放器。拟合变换（x_序列）
y_列=缩放1.拟合变换（y_列）
x_测试=缩放变换（x_测试）
y_测试=缩放1.变换（y_测试）

均方误差计算

从数学导入sqrt
从sklearn.metrics导入r2_分数
从sklearn.metrics导入平均绝对误差
打印（“均方根误差（RMSE）：”，sqrt（均方根误差（y检验，preds）））
打印（“平均绝对误差（MAE）：”，平均绝对误差（y检验，preds））
r2=r2_分数（y_测试，preds）
打印（“R平方（R2）：”，R2）

您可以缩放输入数据，而不是输出。 输入数据与错误计算无关

如果您确实想缩放lstm输出数据，只需对其他分类器使用相同的方式进行缩放即可

编辑：

根据您的意见：

---

我只在LSTM中缩放输入数据

不，你没有。您需要转换输出数据。从我读到的，我假设你只把它转换成神经网络

因此，lstm的y数据约为-->平方误差的100倍，因此得到100*100=10.000，这大概是神经网络比随机林表现“更好”的因子

选项1:

删除这些树线：

scaler1 = MinMaxScaler(feature_range=(0, 1))

y_train = scaler1.fit_transform(y_train)

y_test = scaler1.transform(y_test)

不要忘记使用最后一层，它可以将值输出到+无穷大

选项2:

同时缩放其他分类器的数据，并比较缩放值

选项3:

---

在精度上使用MinMaxScaler的逆变换（pred）方法，并使用逆变换预测和未转换的y_测试数据计算误差。

当我应用fit（）时，我只在LSTM中缩放输入数据（使用sci工具包Min-Max scaler），并计算y_pred值，我使用sqrt（均方误差（y_测试，preds））计算RMSE。LSTM的值为0.000959，而Random Forest（无任何输入数据缩放）的RMSE为3.7267。那么我说你的LSTM大约是你的Random Forest的10.000倍，直到你发布分类器的代码、你如何计算RMSE以及一些数据的x/y示例。我编辑了我的答案，我的假设是正确的，你只为神经网络缩放数据吗？谢谢Florian。我没有看到我对输出数据进行的缩放。请将输入数据作为数据而不是图像共享@ItamarMushkin：我已经以数据帧的形式更新了输入数据

x_train = train_data[['high','low','open','volume']]
y_train = train_data[['close']]
x_test = test_data[['high','low','open','volume']]
y_test = test_data[['close']]

scaler1 = MinMaxScaler(feature_range=(0, 1))

y_train = scaler1.fit_transform(y_train)

y_test = scaler1.transform(y_test)