判定系数是否适合在某些情况下用作神经网络的评估指标？我有一个网络，其Y值范围从0到1，所以我使用了sigmoid函数。我的损失指标是平均绝对误差（MAE），结果让我满意。然而，我发现一些我展示给的人不太理解某些损失指标，但他们记得从之前的研究中接触过的判定系数。
我没有看到判定系数在神经网络中被使用过，我想知道它是否适用，或者我是否不应该使用它。
为了澄清“适用性”——它是否是一个可行的度量标准，还是在神经网络环境中使用它存在问题。
回答：
简而言之，这是一种看待常见指标的不同方式。
判定系数与常见的均方误差（我相信你正在使用它）相关联。
两者之间的关系是：
判定系数 = 1 – 均方误差 / （输入的方差）
均方误差 = （输入的方差） * （1 – 判定系数）
由于输入的方差在网络训练时不会改变，判定系数将与均方误差呈线性关系。这意味着使用判定系数代替均方误差可能不会改变网络的训练方式。
选择哪一个作为你的指标在很大程度上取决于具体情况，因为它们代表了不同的事物。然而，如果你想要一个随时间变化的数字来表示你的网络训练得有多好，这两者都可以。如果要注意的是，均方误差是一个最小化函数——即，随着网络的改进，它会接近0——而判定系数是一个最大化函数，随着网络的改进，它会接近1。如果你使用反向传播，你需要在计算梯度时考虑到这一点。
因此，总结来说…
我没有看到任何压倒性的理由不使用判定系数，但与此同时，我也看不到任何理由使用它。我认为除了它们的解释之外，任何一个都没有优势，因为它们在数学上非常相似。
