Meine squred Fehler interpretation in LSTM-Modell (bidirektional oder multiparallel)

Ich hab das Spiel mit der Zeit-Serie und Keras LSTM 1) bidirektional und 2) multiparallel-Modell. Ich bin speichern das beste Modell nach dem "mean_squared_error" Metriken. Mein Datensatz ist normiert mit MinMaxScaler (Wertebereich von 0 bis 1). Der mittlere quadratische Fehler von 0,02 auf dem test-Teil des dataset. Bedeutet es, dass mein Modell ist der mittlere Fehler beträgt 14% - dass ist 0.02^0.5. Ist es eine gute praktische interpretation des Modells der Präzision?

Angenommen, ich möchte, um vorherzusagen, vierte Wert in dieser Reihenfolge:

[10, 20, 30, 40, 50, 60, 70, 80, 90]

Also meine x_test und y_test sieht wie folgt aus:

[10 20 30] 40
[20 30 40] 50
[30 40 50] 60
[40 50 60] 70
[50 60 70] 80
[60 70 80] 90

Und der code:

cp = [ModelCheckpoint(filepath=path+"/epochBi.h5", monitor='mean_squared_error', verbose=1, save_best_only=True)]
model.compile(optimizer='adam', loss='mse', metrics= ['mean_squared_error'])
history_callback = model.fit(X_train, y_train, epochs=200, verbose=1, callbacks=cp)
model.load_weights(path+"/epochBi.h5")
score = model.evaluate(X_test, y_test, verbose=1)

Vermute, dass ich bewerten auf original Datensatz, wie würde ich es interpretieren, die MSE=0.02?

0
2019-09-17 08:21:48
Quelle
0 Antworten

Sehen Sie sich andere Fragen zu Tags an