Loss图、模型评估系数（均方误差等）的分析

曾经做实验的有关神经网络模型的分析，记录一下

1.Loss图

通常数据集会被划分成三部分，训练集、验证集、测试集。在训练模型中可以根据训练集的loss和验证集loss来诊断模型，从而能够以此优化参数训练得到一个更好的模型。这个更好指的是能在测试集上表现更好的模型，也就是泛化能力强的模型。其中根据模型的表现可以将其分为三类，Underfit（欠拟合）、Overfit（过拟合）、Good fit （完美拟合）。

比如，Taining Loss下降，而Validation Loss比较稳定，说明这个模型是Overfit（过拟合）。也就是说，该模型对训练集的拟合比较好，但在测试集、验证集上的表现比较差，即模型的泛化能力比较差。

过拟合产生的原因通常有训练的样本量太少、模型过于复杂等。

2.模型评估系数（均方误差、均方根误差、平均绝对误差、决定系数）

均方误差（MSE）计算的是拟合数据和原始数据对应样本点的误差的平方和的均值。在深度学习中，均方误差被用于衡量神经网络在回归任务中的性能，并作为损失函数进行优化。MSE的值越小，说明模型的预测值与真实值之间的差异越小，模型的性能越好。

均方根误差（RMSE）是观测值与真值偏差的平方和观测次数n比值的平方根，用来衡量观测值同真实值之间的偏差，其值越小，表示预测精度越高。

平均绝对误差(MAE)是绝对误差的平均值，也就是测量值与真值之间误差的平均。其值越小，表示预测精度越高。与均方根误差有些相似，但对于异常值，均方根误差更敏感。

决定系数（R2）是一种用于评估模型拟合优度的指标。R2的值一般为[0-1]之间的值，越靠近1说明拟合得越好，而越靠近0说明拟合得越差。

如：

评估系数	均方误差	均方根误差	平均绝对误差	决定系数
	1.54827	1.24430	0.93283	0.94608

均方误差的值比较大，说明预测值与真实值之间的差异较大，模型的性能不是很好。均方根误差、平均绝对误差的值也比较大，说明预测的准确度不是很高。决定系数的值接近9.5，说明该模型的拟合程度还行。