我有一个回归 MLP 网络，所有输入值都在 0 和 1 之间，并且正在使用 MSE 作为损失函数。验证样本集的最小 MSE 为 0.019。那么如何用“外行”术语来表达这个网络的“准确性”呢？如果 RMSE 是“以估计数量为单位”，这是否意味着我们可以说：“网络平均 (1-SQRT(0.019))*100 = 86.2% 准确”？
此外，在验证数据集中，存在三个“极端”预期值。最低的 MSE 导致预测值更接近这三个值，但并不像所有其他值那样接近，而稍高的 MSE 会导致相反的预测值更远离“极端”值，但相对于所有其他预期值更准确值（在我正在处理的情况下，这个结果实际上是首选）。我认为这可以通过 RMSE 对异常值的敏感性来解释？
您不能使用错误来可靠地测量准确性。误差最好用来衡量模型当前学习的速度。
例如，使用不同的损失函数（交叉熵与 MSE）会导致在相似精度下的误差值大不相同。
还考虑到这一点，0.0000000001 的误差通常具有较低的验证集准确度和 0.1 的误差，因为先验可能过度训练。
至于你的第二个问题，是的，这是因为 MSE 对异常值有很大的偏见。我个人发现回归网络在大多数情况下都很困难，所以如果有可能将网络变成分类器，你可能会看到改进。
就像一般评论一样，请注意，从技术上讲，我们不会将“准确度”一词用于回归设置，例如您的回归设置 - 仅用于分类设置。
如果 RMSE 是“以估计数量为单位”，这是否意味着我们可以说：“网络平均 (1-SQRT(0.019))*100 = 86.2% 准确”？
不。
正如您正确引用的那样，RMSE 的优势在于它与您的预测数量采用相同的单位；所以，如果这个数量是美元，你可以（对业务用户）说模型的误差是 0.019 美元，这本身就很好。但是您不能将其转换为百分比 - 这将毫无意义。
如果需要以百分比形式给出回归模型的性能，最好的选择是平均绝对百分比误差 ( MAPE )。