Question

我一直在使用MATLAB作为我的时间序列数据集（用于电力数据集）作为课程的一部分。它包含40,000多个样本。神经网络形成后，我想测试它的准确性。我对MAPE（平均绝对百分误差）和RMS（均方根）误差感到好奇。为了计算它们，我使用了以下代码行。

mape_res = zeros(N_TRAIN);
mse_res = zeros(N_TRAIN);
for i_train = 1:N_TRAIN
  Inp = inputs_consumption(i_train );
  Actual_Output = targets_consumption( i_train + 1 );
  Observed_Output = sim( ann, Inp );

  mape_res(i_train) = abs(Observed_Output - Actual_Output)/Actual_Output;
  mse_res(i_train) = Observed_Output - Actual_Output;

end

mape = sum(mape_res)/N_TRAIN;
mse = sum(power(mse_res,2))/N_TRAIN;
sprintf( 'The MSE on training is %g', mse )
sprintf( 'The MAPE on training is %g', mape )

上述编码的问题在于，对于大型数据集（40K样本），迭代所有这些循环需要将近15分钟，并且等待获得错误率的结果需要相当长的时间。有没有其他有效的方法来计算它们？

Answer 1

您可以随时执行每次迭代更新的滚动平均值，如下所示：

mape_res = abs(Observed_Output - Actual_Output) / Actual_Output;
mse_res  = Observed_Output - Actual_Output;

alpha = 1 / i_train;
mape = mape * (1 - alpha) + mape_res * alpha;
mse  = mes * (1 - alpha) + power(mse_res,2) * alpha;

然后，您可以在每次迭代时显示结果值，如果达到所需的错误率，则使用它们来停止标准，或者两者都使用。这还有一个额外的好处，即不需要mape_res和mse_res向量的初始化和填充，除非它们碰巧在别处需要...

编辑：确保在进入for循环之前将mape和mse值初始化为零：）

如何有效地计算MATLAB中神经网络应用中训练/测试集的MAPE？

1 个答案: