[发明专利]一种用于评估神经网络线性回归模型预测准确度的方法

说明书

本发明公开了一种用于评估神经网络线性回归模型预测准确度的方法，方法包括步骤：采用Pearson相关系数计算预测值曲线与真实值曲线之间的相关性系数；若预测值曲线与真实值曲线之间呈正相关，则计算预测值曲线与真实值曲线之间的重叠率；根据相关性系数以及重叠率，计算预测值的准确度。本方法首先采用Pearson相关系数计算两曲线的相关性系数，然后计算两曲线的重叠率，最后结合相关性系数和重叠率，评估线性回归模型预测准确度。在线性回归模型出现异常数据而使得回归结果不太理想时，本方法相较于现有评估方法，能够提高线性回归模型预测准确度的评估合理性。

技术领域

本发明涉及神经网络线性回归技术领域，特别涉及一种用于评估神经网络线性回归模型预测准确度的方法。

背景技术

神经网络的训练过程：训练--验证--训练--验证--。验证是将使用数据集对训练后的模型进行测试，然后用测试输出结果和真实值计算出误差，根据误差去判断模型的准确度，然后去调整模型的训练参数。

对线性回归模型来说，目前常用线性相关性、MAE(Mean Absolute Error，平均绝对误差)或MSE(Mean Square Error，均方误差)方案等来进行评估。对于线性相关性方案，其不能反应线性回归模型预测准确度，只能体现真实值曲线与预测值曲线两条曲线的相关性；对于MAE或MSE方案，在线性回归模型的回归结果较为理想时，MAE或MSE方案能够对线性回归模型预测结果的准确度进行合理的评估，但在线性回归模型出现异常数据而使得回归结果不太理想时，由于MAE或MSE方案对异常数据的敏感程度不一，评估结果难以合理的反映出回归结果出现异常数据时对准确度的影响，所以在该情境下，通过MAE或MSE方案评估线性回归模型预测结果的准确度不一定合理。因此需要提出一种新的评估线性回归模型预测准确度的方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种用于评估神经网络线性回归模型预测准确度的方法。

根据本发明实施例，提供了一种用于评估神经网络线性回归模型预测准确度的方法，包括以下步骤：

采用Pearson相关系数计算预测值曲线与真实值曲线之间的相关性系数；

若所述预测值曲线与真实值曲线之间呈正相关，则计算所述预测值曲线与真实值曲线之间的重叠率；

根据所述相关性系数以及所述重叠率，计算预测值的准确度。

根据本发明的实施例，至少具有如下技术效果：

本方法首先采用Pearson相关系数计算两曲线的相关性系数，然后计算两曲线的重叠率，最后结合相关性系数和重叠率，评估线性回归模型预测准确度。在线性回归模型出现异常数据而使得回归结果不太理想时，本方法相较于现有评估方法，能够提高线性回归模型预测准确度的评估合理性。

根据本发明的一些实施例，所述计算所述预测值曲线与真实值曲线之间的重叠率的公式为：

且y^P与y^R满足同时大于0或小于0，σ_r，p表示预测值曲线与真实值曲线重叠率，y^R表示t时刻的真实值，y^P表示t时刻的预测值，t＝t₀，t₁，t₂，...，t_m-1。

根据本发明的一些实施例，所述根据所述相关性系数以及所述重叠率，计算预测值的准确度的公式为：

其中，γ_r，p表示预测值的准确度，ρ_r，p表示所述相关性系数，ω₁和ω₂表示权值。