我正在使用 Keras 中的前馈神经网络处理一些数据。我注意到,如果我记录转换数据,模型训练得更好,但是转换数据的错误度量不一定能很好地反映原始数据集的情况。
目前,我使用的是平均百分比误差指标 (mape),当我对预测进行反向转换并检查原始输出时,对数转换数据集的 3.8% 的 CV 误差对应于大约 25%。
对于这种情况,是否有更好的成本/目标函数选择?
我正在使用 Keras 中的前馈神经网络处理一些数据。我注意到,如果我记录转换数据,模型训练得更好,但是转换数据的错误度量不一定能很好地反映原始数据集的情况。
目前,我使用的是平均百分比误差指标 (mape),当我对预测进行反向转换并检查原始输出时,对数转换数据集的 3.8% 的 CV 误差对应于大约 25%。
对于这种情况,是否有更好的成本/目标函数选择?
我假设当您说对数据进行对数转换时,它是对结果变量的对数转换。在这种情况下,您可能需要检查root mean squared logarithmic error。
这实际上是有道理的,因为当您拟合 Log(y) = model(X) 时,数据的大小要小得多。
另外,MAPE 是平均绝对百分比误差。