如何解释我的随机森林回归准确度数据？

Question

我有一个数据集来根据推文情绪分析加密货币价格，并且我正在使用随机森林回归。 我的利率是好还是坏？ 我如何解释它们？

Answer 1

您的 rmse 约为 100，与平均硬币价格 4400 相比，误差不大。我认为您可以继续进行更广泛或更准确的预测。 也许您也可以使用其他数据验证您的 model。

然而，这真的取决于你想要的目标。 如果目标是做高频交易，2%的误差会非常大。 如果您的目标是将 RF model 设置为基础，我认为这是一个很好的开始。

虽然这是一项预测任务，但可能需要先检查推文和加密货币价格之间的相关性，以便确保这两个变量之间有足够的统计关系（分类变量与区间变量的相关性方法可能会有所帮助）。

Answer 2

平均绝对误差实际上是您的预测与“真实”值之间的平均“距离”。 均方误差是距离平方的平均值。 正如您从代码中看到的那样，RMSE 是均方误差的平方根。

在 MAE 的情况下，它对“水平”事物很有用。 如何？ 百分比或分数。 MAE/np.mean(y_test) 但根据您使用的数据，您可以使用 np.max(y_test) 或 np.min(y_test)。

MSE 不那么宽容，因为它是二次缩放的，因此对于每个“误差单位”，这基本上会增长得更快。

因此，MSE 和 RMSE 都赋予更大的误差更多的权重。 通常，您可以比较运行之间的 RMSE 分数，改进会更加明显，我通常使用 RMSE 作为评分器来最小化，因为当您使用 MAE 时，小的偏差可能只是 RF 中随机性的一部分。