我目前正在开发时间序列预测模型。我读到准确性度量标准不适用于回归问题，因为它比较了“真实”值和预测浮点数。但是，如果它们与最后一个十进制数字不匹配，它将不会“准确”。现在，我正在努力实现类似目标。我已经标准化了数据，所以它的范围是0-1。
这是我拥有的自定义指标功能：
def soft_acc2（y_true，y_pred）： 返回K.equal（y_true，y_pred）
如果预测范围是真实值的0-5％，对我来说还可以。但是我不知道如何舍入值（例如0.6532）以仅将0.653（预测）与0.653（实际值）进行比较
模型定义
multi_step_model = tf.keras.models.Sequential()
multi_step_model.add(tf.keras.layers.LSTM(200, return_sequences=True, input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.Dropout(0.1))
multi_step_model.add(tf.keras.layers.LSTM(200, return_sequences=True, input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.Dropout(0.1))
multi_step_model.add(tf.keras.layers.LSTM(200, return_sequences=True, input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.Dropout(0.1))
multi_step_model.add(tf.keras.layers.LSTM(200, return_sequences=True, input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.Dropout(0.1))
multi_step_model.add(tf.keras.layers.LSTM(200, input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.Dropout(0.1))
multi_step_model.add(tf.keras.layers.Dense(5))
multi_step_model.add(tf.keras.layers.Activation('relu'))
我想我必须使用一些回归指标。但是由于缺乏某种准确性，我发现很难评估模型。
我读到有关平均绝对百分比误差的信息，但它的行为有些奇怪。时期从1-3开始，长矛达到50000甚至更高。问题是我不懂翻译。
长话短说： 是否有评估模型的良好指标，还是我以错误的方式使用“ mape”？
我想如果可以对预测值和实际值进行四舍五入以进行比较，以获得自定义准确性，那将对我有帮助。