如何解决模型的损失是否反映了其准确性？
这些是我每75个纪元的损失：
Epoch: 75,loss: 47382825795584.000000
Epoch: 150,loss: 47382825795584.000000
Epoch: 225,loss: 47382825795584.000000
Epoch: 300,loss: 47382825795584.000000
Epoch: 375,loss: 47382825795584.000000
Epoch: 450,loss: 47382825795584.000000
Epoch: 525,loss: 47382825795584.000000
Epoch: 600,loss: 47382825795584.000000
Epoch: 675,loss: 47382825795584.000000
Epoch: 750,loss: 47382825795584.000000
分别是预测值和目标值
Predictions: tensor([[ 8109436.0000,7734814.0000,8737677.0000,11230861.0000,3795826.7500,3125072.7500,1699706.1250,5337285.0000,3474238.5000]],grad_fn=<TBackward>)
----------------------------------------
Targets: tensor([[ 8111607.,7580798.,8749436.,11183578.,3822811.,3148031.,2343278.,5360924.,3536146.]])
这是预测中第一和第二元素相对于目标的第一和第二元素的准确性
8109436.0000/8111607*100 #First element
Output: 99.9732358828528
print(7734814.0000/7580798*100) #Second element
Output: 102.03165946381898
所以我真的不确定发生了什么。因为我损失很大，所以第一个元素的精度为99％，第二个元素的精度为98％？我的数学并不是最好的，所以我不确定最后一个百分比。
有人能解释一下损失是否反映了准确性？
解决方法
损失只是相对有意义的（即用于比较）。将损失函数乘以10，在同一模型上损失就大10倍。这什么都没告诉你。
但是使用相同的损失函数，如果model_1的损失比model_2小10倍，那么model_1的准确性可能会更高（尽管不能100％保证）。
,不，损失不代表准确性。就您而言，您应该使用其他指标来量化您的准确性。由于您使用的是连续目标变量，因此可以使用mean squared error（MSE）之类的指标。请注意这一点，因为MSE指标假定基础数据是正态分布的。无论如何，损失是相对的，并且完全取决于您在优化中使用的损失函数。大量损失并不意味着准确性/ MSE会很差。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。