当问题是回归问题时，如何计算准确率？

我正在处理一个回归问题，预测每个用户每天使用多少电力。我使用Keras构建了一个LSTM模型来进行这个时间序列预测。开始时，我使用’accuracy’作为指标，当运行

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

时，每个epoch之后val_acc都有一个值。在我的结果中，这个值没有变化，总是相同的数值。

然后我意识到，回归问题中没有准确率的概念，于是我开始思考，这个准确率是如何计算的？

我猜测，当回归问题中的指标是’accuracy’时，准确率的计算方式与分类问题类似：预测值等于真实值的数量除以总样本数。

我猜得对吗？

回答：

在回归问题中，你使用的是测量你的预测值与实际值之间差距的指标，如平方误差、均方误差等。请参阅如何确定回归的准确率？应使用哪种测量方法？

在构建Keras的LSTM模型时，你通常先构建一个“骨架”，然后进行编译、拟合，最后进行预测。在编译步骤中，你需要定义损失函数（参见Keras关于Sequential模型的文档）和一个指标，因此你可以例如这样做：

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

（参见Keras关于指标的文档）。因此，如果你在回归设置中将accuracy作为指标，你不会得到合理的结果，因为这个指标仅适用于分类任务。