python - 当问题是回归问题时，如何计算准确性？

当问题是回归问题时，如何计算准确性？

我正在研究一个回归问题来预测每个用户每天使用多少电量，我使用 keras 构建了一个 LSTM 模型来做这个时间序列预测。一开始，我使用“准确度”作为指标，并在运行时

model.fit(...,verbose=2,...)

val_acc在每个 epoch 之后都有一个值。在我的结果中，值没有改变，它始终是相同的值。

然后我意识到回归问题是没有准确性的概念，然后我开始怀疑，这个准确性是如何计算的？

我猜想，当回归问题中的指标是“准确度”时，准确度的计算方式也与分类问题类似：预测值的数量等于真实值除以总样本量。

我对吗？

标签： pythonmachine-learningkeras

在回归中，您使用衡量您的预测与实际值相差多远的指标，例如平方误差、均方误差等。请参阅如何确定回归的准确性？应该使用哪种措施？

在构建 keras LSTM 模型时，通常会先构建“骨架”，然后编译、拟合，最后进行预测。在编译步骤中，您需要定义损失函数（请参阅Keras 文档中的顺序模型）和指标，因此您可以执行例如

model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['mean_squared_error'])

（请参阅有关度量的 Keras 文档）。因此，如果您将accuracy作为指标放在回归设置中，您将不会得到合理的结果，因为该指标仅适用于分类任务。