python评价指标_[Python人工智能] 六.神经网络的评价指标、特征标准化和特征选择...

从本系列文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前五篇文章讲解了神经网络基础概念、Theano库的安装过程及基础用法、theano实现回归神经网络、theano实现分类神经网络、theano正规化处理，这篇文章讲解神经网络的评价指标、特征标准化和特征选择，均是基础性知识。主要是学习'莫烦大神' 网易云视频的在线笔记，后面随着深入会讲解具体的项目及应用。基础性文章和在线笔记，希望对您有所帮助，本系列作者采用一篇基础一篇代码的形式讲解，也建议大家一步步跟着学习，同时文章中存在错误或不足之处，还请海涵~

前文参考：

一. 神经网络评价指标

由于各种问题影响，会导致神经网络的学习效率不高，或者干扰因素太多导致分析结果不理想。这些因素可能是数据问题，学习参数问题等。这就涉及到了神经网络评价指标。

如何评价(Evaluate)神经网络呢？我们可以通过一些指标对神经网络进行评价，通过评价来改进我们的神经网络。评价神经网络的方法和评价机器学习的方法大同小异，常见的包括误差、准确率、R2 score等。

数据分析通常会将数据集划分为训练数据和预测数据，常见的如70%训练集和30%测试集，或者80%训练集和20%测试集。例如，我们读书时包括作业题和考试题，虽然期末考试时间很少，但其得分比例要高于平时作业。

1.误差(Error)

先用误差评价神经网络，如下图所示，随着训练时间增长，预测误差会不断减小，得到更为准确的答案，最后误差会趋近于水平。

2.精准度(Accuracy)

精准度是指预测结果与真实结果的准确率，接近100%是最好的结果。例如，神经网络中分类问题，100个样本中有90个分类正确，则其预测精准度为90%。通过可以使用精准度预测分类问题，那么，如果是回归问题呢？如何评价连续值的精准度呢？我们使用R2 Score值来进行。

3.R2 Score

在评价回归模型时，sklearn中提供了四种评价尺度，分别为mean_squared_error、mean_absolute_error、explained_variance_score 和 r2_score。

参考：https://blog.csdn.net/Softdiamonds/article/details/80061191

(1) 均方差(mean_squared_error)

(2) 平均绝对值误差(mean_absolute_error)