我在VAR模型时间序列中得到的准确性为0。如何使用Python检查时间序列的预测准确性？

print("df_results['Field1_f']", df_results['Field1_f'])print("df_test['Field1']", df_test['Field1'])    print("accuracy:")   print(accuracy_score(df_test['Field1'], df_results['Field1_f']))       

请参考以下输出。

df_results['Field1_f'] 179    1792622180    1794414181    1670866182    1842468183    1793253184    1647436185    1944522186    1857092187    1744014188    1742659Name: Field1_f, dtype: int32df_test['Field1'] 189    1750000190    1970000191    1537000192    1400000193    1890100194    1970000195    1770000196    1729000197    1940000198    2150000Name: Field1, dtype: int64accuracy:0.0

回答：

假设你使用的是scikit-learn中的accuracy_score，这里它不是正确的度量标准；准确性适用于分类问题，而不是像预测问题这样的数值预测问题。从文档中可以看到：

准确性分类得分。

预测问题最常见的误差度量指标是MSE、RMSE和MAE；它们都在scikit-learn的“回归”部分中可以找到，这里：

from sklearn.metrics import mean_squared_error, mean_absolute_errormean_squared_error(df_test['Field1'], df_results['Field1_f'])  # MSEmean_squared_error(df_test['Field1'], df_results['Field1_f'],                                      squared=False)           # RMSEmean_absolute_error(df_test['Field1'], df_results['Field1_f']) # MAE

请记住，在机器学习的背景下，“准确性”这个术语与其日常用法并不完全相同；在机器学习中，它通常指的是分类准确性，如前所述，这仅适用于分类问题 – 不过，老实说，在预测中，这个术语确实是以其日常含义使用的…