Python “我该怎么做？”；量度；Keras中时间序列预测代码的性能？

我对在Keras中进行时间序列预测非常陌生。对于我正在研究的问题，我想知道我的模型的性能如何。我想知道一些完成这项任务的最佳实践。请提前提出建议，并表示感谢。

我假设您希望查看您的型号的

准确性
和
损耗
：

model.compile(...)
model.fit(...)
eval_loss, eval_accuracy = model.evaluate(test_set, test_set,
                                          batch_size=batch_size, verbose=1)
print("Accuracy: {:.2f}%".format(eval_accuracy * 100))
print("Loss: {}".format(eval_loss))

您甚至可以绘制一张图表来查看培训过程中的损失和准确性：

import matplotlib.pyplot as plt
history = model.fit(...)        

summarize history for accuracy 
plt.figure(1)
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

# summarize history for loss
plt.figure(1)
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

编辑

import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame(columns=['Series', 'Scale Signal'])

history = model.fit(...)
predicted = model.predict(test_input)

df_val_loss = pd.DataFrame(history.history['val_loss'])
df_val_loss.plot()

df_predicted = pd.DataFrame(predicted).T
df_predicted.columns = ['Predicted']

df_result = pd.concat([df, df_predicted], ignore_index=True)
df_result.plot()

plt.show()

上面的脚本获取并绘制预测数据和验证损失。我不太经常使用时间序列，因此根据我的经验，我不能给你任何建议，但这里有一些好的链接，我希望可以帮助你：





我在这里找到了答案。对于我正在研究的一个回归问题，布朗利博士解释了三种方法：绝对平均误差、均方误差和R^2：这正是我想要的。感谢所有人的帮助和缺点
 这个问题太宽泛了，你必须问一个具体的问题。这假设分类，可能不是这样。嗨，Huy，我的问题不是分类问题。我正在处理一个时间序列预测问题。我想知道是否有良好的实践，我应该遵循，以检查模型是否正常工作。谢谢你的回答。