我用Keras创建了我的第一个ANN。这是一个具有5个特征和1个输出的线性回归模型。我制作了一个“MSE”和“损失函数”的图表，这些是结果。我们可以说这是一个好的模型吗？另外，R^2 = 0.91。这是否是正确的方法？

classifier = Sequential()classifier.add(Dense(5, input_dim=5,kernel_initializer='normal',activation='relu'))classifier.add(Dense(5, activation='relu'))classifier.add(Dense(1,activation='linear'))classifier.compile(loss='mse', optimizer='adam', metrics=['mse','mae'])history = classifier.fit(X_train, y_train, batch_size=10, validation_data=(X_test, y_test), epochs=200, verbose=0)y_pred=classifier.predict(X_test)train_mse=classifier.evaluate(X_train, y_train, verbose=0)plt.title('Loss / Mean Squared Error')plt.plot(history.history['loss'], label='train')plt.plot(history.history['val_loss'], label='test')plt.legend()plt.show()

回答：

除了术语上的一些细节（神经网络回归不是线性回归，我们通常不把这样的模型称为classifier），你的模型确实看起来不错，训练和测试的误差都平稳减少，没有过拟合的迹象。

虽然R^2值为0.91听起来相当不错，但在像这里这样的预测环境中使用这个指标是相当有问题的；引用我在另一个StackOverflow讨论中的回答：

事实上，整个R-squared概念直接来自统计学世界，那里重点在于解释性模型，而在机器学习环境中，它在预测模型中的用途很少；至少据我所知，除了一些非常入门的课程外，我从未（我是说从未…）见过使用R-squared来评估任何类型的性能的预测建模问题；也不是偶然，流行的机器学习介绍，如Andrew Ng在Coursera上的机器学习课程，甚至不屑于提及它。而且，正如在上面的Github讨论中所指出的（强调添加）：

特别是在使用测试集时，R^2的含义对我来说有点不清楚。

对此我完全同意。