我在Keras中设置了机器学习模型来预测我的数据，代码如下所示。

K.clear_session()model = Sequential()model.add(Dense(3, input_dim=1, activation='relu'))model.add(Dense(1))model.compile(loss='mean_squared_error', optimizer='adam')model.fit(X_train, y_train, epochs=500,          batch_size=2, verbose=1,          )

在调用model.fit后，输出显示损失如loss: 0.0382。我不知道loss: 0.0382是什么意思。训练数据和测试数据之间的误差百分比是多少？如何计算？

回答：

您使用了mean_squared_error（均方误差，简称mse）作为损失函数。

MSE用于评估估计器（即，将数据样本映射到从中抽取数据的总体参数的数学函数）的质量，或预测器（即，将任意输入映射到某个随机变量的值样本的函数）。

MSE的公式

对于一个好的模型，MSE必须较低。MSE越低，模型越好。

在您的训练中，损失值为0.0382，这已经相当不错了。

在Keras中，还有一个名为mean_absolute_percentage_error的损失函数。如果您想知道模型在训练和测试数据上的误差百分比，可以使用mean_absolute_percentage_error作为损失函数来编译模型。

如果您想在编译和训练后，根据模型的准确度来评估模型，可以使用evaluate()函数，如下所示。

scores = model.evaluate(X_validation, Y_validation, verbose=1)print("Accuracy: %.2f%%" % (scores[1]*100))