machine-learning - 如何在 MATLAB 中高效计算神经网络应用中训练/测试集的 MAPE？

Question

作为类(class)的一部分，我一直在使用 MATLAB 来处理时间序列数据集(电力数据集)。它由 40,000 多个样本组成。神经网络形成后，我想测试一下它的准确性。我对 MAPE(平均绝对百分比误差)和 RMS(均方根)误差更好奇。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近 15 分钟，并且等待获得错误率结果的时间相当长；有没有其他有效的方法来计算它们？

Answer 1

您始终可以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，您可以显示每次迭代的结果值，如果达到所需的错误率，则将它们用作停止标准，或者两者兼而有之。这还有一个额外的好处，即不需要初始化和填充 mape_res 和 mse_res 向量，除非它们碰巧在其他地方需要......

编辑:请确保在进入 for 循环之前将 mape 和 mse 值初始化为零:)