我正在尝试构建一个模型来预测房价。
我有一些特征X（如浴室数量等）和目标Y（价格范围在30万到80万美元之间）
在将Y拟合到模型之前，我使用了sklearn的标准化缩放器对Y进行了标准化处理。
这是我的Keras模型：
def build_model(): model = Sequential() model.add(Dense(36, input_dim=36, activation='relu')) model.add(Dense(18, input_dim=36, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='mse', optimizer='sgd', metrics=['mae','mse']) return model我在尝试解释结果时遇到了麻烦——0.617454319755的MSE意味着什么？
我是否需要对这个数字进行逆变换，然后再开方，得到一个741.55美元的误差率？
math.sqrt(sc.inverse_transform([mse]))我为自己听起来很傻而道歉，因为我刚开始学习！
回答：
我为自己听起来很傻而道歉，因为我刚开始学习！
不要这样想；这是一个非常重要但通常（遗憾地）在教程和入门介绍中被忽略的微妙问题。
不幸的是，这不仅仅是简单地对逆变换后的MSE开方，但也不是非常复杂；你需要做的基本上是：
- 将你的预测变换回原始数据的初始尺度
- 获取这些逆变换后的预测与原始数据之间的MSE
- 对结果进行开方
以便获得一个在你问题的事务（例如，这里是美元）背景下有意义的模型性能指标。
让我们用玩具数据来看一个快速的例子，省略模型本身（在这里是无关紧要的，实际上可以是任何回归模型——不仅仅是Keras模型）：
from sklearn.preprocessing import StandardScalerfrom sklearn.metrics import mean_squared_errorimport numpy as np# toy dataX = np.array([[1,2], [3,4], [5,6], [7,8], [9,10]])Y = np.array([3, 4, 5, 6, 7])# feature scalingsc_X = StandardScaler()X_train = sc_X.fit_transform(X)# outcome scaling:sc_Y = StandardScaler()Y_train = sc_Y.fit_transform(Y.reshape(-1, 1))Y_train# array([[-1.41421356],# [-0.70710678],# [ 0. ],# [ 0.70710678],# [ 1.41421356]])现在，假设我们使用缩放后的集合X_train和Y_train来拟合我们的Keras模型（此处未显示），并在训练集上获取预测：
prediction = model.predict(X_train) # scaled inputs hereprint(prediction)# [-1.4687586 -0.6596055 0.14954728 0.95870024 1.001172 ]Keras报告的MSE实际上是缩放后的MSE，即：
MSE_scaled = mean_squared_error(Y_train, prediction)MSE_scaled# 0.052299712818541934而我上面描述的3个步骤简单来说就是：
MSE = mean_squared_error(Y, sc_Y.inverse_transform(prediction)) # first 2 steps, combinedMSE# 0.10459946572909758np.sqrt(MSE) # 3rd step# 0.323418406602187所以，在我们的例子中，如果我们的初始Y是美元，那么实际误差以相同单位（美元）表示将是0.32美元。
请注意，简单地对缩放后的MSE进行逆变换会得到一个非常不同（并且不正确）的结果：
np.sqrt(sc_Y.inverse_transform([MSE_scaled]))# array([2.25254588])