Python 人工神经网络线性回归模型的评价

我和凯拉斯做了第一个安。这是一个线性回归模型，具有5个特征和1个输出。我用“MSE”和“损失函数”绘制了一个图，这些是结果。我们能说这是一个好的模式吗？此外，R^2=0.91。 这条路对吗

classifier = Sequential()

classifier.add(Dense(5, input_dim=5,kernel_initializer='normal',activation='relu'))

classifier.add(Dense(5, activation='relu'))

classifier.add(Dense(1,activation='linear'))


classifier.compile(loss='mse', optimizer='adam', metrics=['mse','mae'])

history = classifier.fit(X_train, y_train, batch_size=10, validation_data=(X_test, y_test), epochs=200, verbose=0)

y_pred=classifier.predict(X_test)

train_mse=classifier.evaluate(X_train, y_train, verbose=0)

plt.title('Loss / Mean Squared Error')
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()

---

除了一些术语细节（NN回归不是线性回归，通常我们不将这种模型称为

分类器），您的模型看起来确实不错，错误（训练和测试）都平稳减少，没有任何错误迹象

尽管R^2值为0.91听起来不错，但在预测设置中使用度量值（如此处所示）是相当有问题的；引述我自己在中的回答：

整个R平方概念实际上直接来自统计学领域，在统计学领域，重点是解释性模型，而在机器学习环境中，它几乎没有用处，因为机器学习环境的重点显然是预测性模型；至少，除了一些非常入门的课程之外，我从来没有（我的意思是从来没有…）见过预测建模问题，其中R平方用于任何类型的性能评估；流行的机器学习介绍，如Andrew Ng在Coursera的介绍，甚至懒得提及这一点，这也不是偶然的。以及，如上所述（增加强调）：

特别是在使用测试集时，我有点不清楚R^2的含义

我当然同意

除了一些术语细节（NN回归不是线性回归，通常我们不将这种模型称为
分类器
），您的模型看起来确实不错，误差（训练和测试）都平稳减少，没有任何错误迹象

尽管R^2值为0.91听起来不错，但在预测设置中使用度量值（如此处所示）是相当有问题的；引述我自己在中的回答：

整个R平方概念实际上直接来自统计学领域，在统计学领域，重点是解释性模型，而在机器学习环境中，它几乎没有用处，因为机器学习环境的重点显然是预测性模型；至少，除了一些非常入门的课程之外，我从来没有（我的意思是从来没有…）见过预测建模问题，其中R平方用于任何类型的性能评估；流行的机器学习介绍，如Andrew Ng在Coursera的介绍，甚至懒得提及这一点，这也不是偶然的。以及，如上所述（增加强调）：

特别是在使用测试集时，我有点不清楚R^2的含义

我当然同意