我刚开始学习机器学习，正在尝试使用多个模型（如随机森林、简单线性回归和神经网络LSTM）来预测比特币价格。
据我所知，随机森林和线性回归不需要对输入特征进行缩放，而LSTM则需要对输入特征进行缩放。
如果我们比较两种算法（缩放前后）的MAE和RMSE，结果肯定会有所不同，我无法比较哪个模型表现更好。
那么，我现在应该如何比较这些模型的性能呢？
更新 – 添加我的代码
数据
bitcoinData = pd.DataFrame([[('2013-04-01 00:07:00'),93.25,93.30,93.30,93.25,93.300000], [('2013-04-01 00:08:00'),100.00,100.00,100.00,100.00,93.300000], [('2013-04-01 00:09:00'),93.30,93.30,93.30,93.30,33.676862]], columns=['time','open', 'close', 'high','low','volume'])bitcoinData.time = pd.to_datetime(bitcoinData.time)bitcoinData = bitcoinData.set_index(['time'])x_train = train_data[['high','low','open','volume']]y_train = train_data[['close']]x_test = test_data[['high','low','open','volume']]y_test = test_data[['close']]最小-最大缩放器
from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler(feature_range=(0, 1))scaler1 = MinMaxScaler(feature_range=(0, 1))x_train = scaler.fit_transform(x_train)y_train = scaler1.fit_transform(y_train)x_test = scaler.transform(x_test)y_test = scaler1.transform(y_test)MSE计算
from math import sqrtfrom sklearn.metrics import r2_scorefrom sklearn.metrics import mean_absolute_errorprint("Root Mean Squared Error(RMSE) : ", sqrt(mean_squared_error(y_test,preds)))print("Mean Absolute Error(MAE) : ", mean_absolute_error(y_test,preds))r2 = r2_score(y_test, preds)print("R Squared (R2) : ",r2)回答：
你应该缩放输入数据，而不是输出数据。输入数据与你的误差计算无关。
如果你真的想缩放LSTM的输出数据，只需以相同的方式对其他分类器的输出数据进行缩放即可。
编辑：
根据你的评论：
我只对LSTM的输入数据进行了缩放
不，你没有。你确实对输出数据进行了转换。根据我所读到的，我认为你只对神经网络进行了转换。
所以你的LSTM的y数据大约缩小了100倍 ——> 平方误差，因此你得到100*100 = 10,000，这大致是你神经网络表现“更好”于随机森林的倍数。
选项1：
删除以下三行代码：
scaler1 = MinMaxScaler(feature_range=(0, 1))y_train = scaler1.fit_transform(y_train)y_test = scaler1.transform(y_test)别忘了使用一个可以输出到+无穷大的最后一层
选项2：
同样对其他分类器的数据进行缩放，然后比较缩放后的值。
选项3：
对你的预测使用MinMaxScaler()的inverse_transform(pred)方法，并使用inverse_transform()后的预测和未转换的y_test数据来计算你的误差。
