注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 平均絕對誤差MAPE

  2. 平均絕對誤差MAPE作為評估模型預測能力的準則有許多論訴述

  3. 所属分类：专业指导

    • 发布日期：2010-09-21
    • 文件大小：398336
    • 提供者：orisleo

  1. 基于BP神经网络的城市时用水量分时段预测模型

  2. 针对目前时用水量预测模型中对时用水量影响因素分析研究较少的问题,通过分析各种时用水量影响因素与时用水量之间的相关性,筛选出时用水量的主要影响因子;通过分类将1 d划分为3个时段,建立分时段用水量模型。采用BP神经网络预测,精度指标采用平均绝对百分比误差（MAPE）表示。实例分析结果表明：模型预测MAPE均在5%以内,预测精度较高,满足供水系统优化调度的要求,为城市时用水量预测提供一种简单可行的思路和方法。

  3. 所属分类：讲义

    • 发布日期：2014-08-14
    • 文件大小：215040
    • 提供者：zhangyt320

  1. ELM回归预测matlab版code

  2. 使用emd进行回归预测的代码，使用方法结单，只需输入训练集和测试集就可以进行emd预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。资源里有demo，guidence.m文件里有调用实例，直接复制到command windows里运行就可以了，简单易懂，汉语注释说明等。运行结果会直接输出测试集的MAE, RMSE, MAPE, DISTAT这几个统计量

  3. 所属分类：IT管理

    • 发布日期：2014-12-16
    • 文件大小：4096
    • 提供者：lijjianqing

  1. 误差分析计算公式及matlab代码实现

  2. 误差分析计算公式及matlab代码实现（均方误差MSE，平均绝对误差MAE，平均绝对百分比误差MAPE，均方百分比误差MSPE，均方根误差RMSE，残差平方和SSE）

  3. 所属分类：其它

    • 发布日期：2016-10-10
    • 文件大小：26624
    • 提供者：zhaoyuxia517

  1. ELM---matlab代码，有例子

  2. 关于elm进行回归预测的分析，使用方法很简单，只需输入训练集和测试集就可以进行elm预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。资源里有调用函数ELM.m，执行函数guidence.m文件，作为调用实例，直接运行就可以了，简单易懂，汉语注释说明等。运行结果会直接输出测试集的MAE, RMSE, MAPE, DISTAT这几个统计量

  3. 所属分类：其它

    • 发布日期：2016-12-03
    • 文件大小：4096
    • 提供者：u012313264

  1. 误差分析计算公式和对应的matlab实现

  2. 误差分析计算公式及matlab代码实现（均方误差MSE，平均绝对误差MAE，平均绝对百分比误差MAPE，均方百分比误差MSPE，均方根误差RMSE，残差平方和SSE）

  3. 所属分类：其它

    • 发布日期：2017-03-05
    • 文件大小：26624
    • 提供者：zhaoyuxia517

  1. temp&temps_extended.rar

  2. csv数据文件。https://blog.csdn.net/qq_40229367/article/details/88526749#comments_12052079。基于随机森林做回归任务（数据预处理、MAPE指标评估、可视化展示、特征重要性、预测和实际值差异显示图）

  3. 所属分类：机器学习

    • 发布日期：2020-05-06
    • 文件大小：30720
    • 提供者：qq_40229367

  1. 基于支持向量机的概率积分法参数计算方法

  2. 为准确确定概率积分法参数值,在综合分析影响概率积分法参数的地质采矿因素的基础上,建立了基于支持向量机的概率积分法参数计算模型。以43个典型岩移观测站的实测数据作为训练和测试样本,以十折交叉验证的方法选取支持向量机参数,采用MSE、MAPE和WIA准则评定模型的精度和预测能力。应用该模型计算4个测试样本的概率积分法参数,所有计算结果误差均小于3倍中误差,最大相对误差为9.6%,表明所建立的概率积分法参数模型计算结果准确可靠。

  3. 所属分类：其它

    • 发布日期：2020-04-26
    • 文件大小：209920
    • 提供者：weixin_38733333

  1. The preparation of chopped carbon fiber/wood plastic composites with maleic anhydride grafted polyethylene

  2. 用马来酸酐接枝聚乙烯制备碳纤维/木塑复合材料，周志芳，许民，采用两步法挤出制备短切碳纤维增强木塑复合材料（CCF-WPCs）。马来酸酐接枝聚乙烯(MAPE)作为偶联剂用于改善短切碳纤维和塑料基体之间�

  3. 所属分类：其它

    • 发布日期：2020-01-07
    • 文件大小：1048576
    • 提供者：weixin_38663544

  1. 主体网格智能理论和平台

  2. NULL 博文链接：https://guidao.iteye.com/blog/481071主体( agent) 在计算机和人工智能领城中,主体可以看作是 个自动执行的实体,它通过传感器感知环 境,通过效应器作用于环境。 自主性 sns『s 交互性 percepts 协作性 envIronment agent actions 反应性 actuators 进化性 主体计算史忠植 主体的应用 语义Web 智能机器人 先进制造 复杂系统建模和仿 真 群决策支持 智能控制 2050 Robot tea

  3. 所属分类：其它

    • 发布日期：2019-05-25
    • 文件大小：7340032
    • 提供者：weixin_38669628

  1. 基于地磁成像的管线探测系统

  2. 为了精确探测埋藏在地下的各种管线,提出了基于地磁成像的管线探测系统。该系统将采集到的地表磁场垂直分量的脉冲信号强度与介质各向同性的均匀地层中地表上方磁场垂直分量的脉冲信号强度进行对比,利用对比后的数据形成反映被测区域上方脉冲信号强弱分布的三维图象,从而对地下介质的性质作出判断。测试结果表明,该系统对地下已知管线探测的MAPE为2.66%,对地下未知管线探测的MAPE为3.33%,提高了同类探测的精度,对地下各种管线的探测行之有效。

  3. 所属分类：其它

    • 发布日期：2020-06-05
    • 文件大小：450560
    • 提供者：weixin_38586942

  1. 基于熵权法的PHC管桩承载力组合预测

  2. 为克服单项预测方法产生的误差,利用灰色模型GM(1,N)、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM(1,N)法平均绝对百分比误差(MAPE)值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。

  3. 所属分类：其它

    • 发布日期：2020-06-16
    • 文件大小：135168
    • 提供者：weixin_38550834

  1. 基于最优加权组合模型的煤炭消费预测分析

  2. 为了研究最优的煤炭消费预测模型,为我国能源结构优化提供依据,基于差分自回归移动平均(ARIMA)、灰色预测(GM)和人工神经网络(ANN)模型构建了8个组合预测模型,对我国煤炭消费量进行预测分析,应用评价指标R、MAE、MAPE和RMSE对预测模型精度进行比较,筛选出最优组合模型并预测分析未来10年我国煤炭消费趋势。研究结果表明:(1)最优加权组合模型均方根误差、平均绝对误差、平均相对误差等参数均较小,预测效果明显优于单项和简单组合预测模型;(2)构建了权重为(0.73,0.09,0.18)的我

  3. 所属分类：其它

    • 发布日期：2020-06-14
    • 文件大小：1048576
    • 提供者：weixin_38681301

  1. keras:model.compile损失函数的用法

  2. 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses 可用的损失目标函数： mean_squared_error或mse mean_absolute_error或mae mean_absolute_percentage_error或mape mean_squared_logarithmic_error或msle squared_hinge hinge categorica

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：45056
    • 提供者：weixin_38691641

  1. 【机器学习（8）】回归模型的常用评价指标：均方差MSE、均绝对误差MAE、均绝对比例误差MAPE、相关性系数R2

  2. 模型评价：回归模型的常用评价指标 1） 样本误差：衡量模型在一个样本上的预测准确性         样本误差 = 样本预测值 – 样本实际值 2） 最常用的评价指标：均误差方（MSE）         指标解释：所有样本的样本误差的平方的均值         指标解读：均误差方越接近0，模型越准确 3） 较为好解释的评价指标：平均绝对误差（MAE）         指标解释：所有样本的样本误差的绝对值的均值         指标解读：平均绝对误差的单位与因变量单位一致，越接近0，模型越准确 4）

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：52224
    • 提供者：weixin_38699551

  1. 预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE

  2. MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean Squared Error, MSE） 误差越大，该值越大。 SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。 3.均方根误差（Root Mean Square Error, RMSE） 是MSE的算数平均根 误差越大，该值越大。 4.平均绝对百分比误差

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：63488
    • 提供者：weixin_38709312

  1. 回归预测常见的评估指标及计算案例

  2. 回归预测常见的评估指标 平均绝对误差（Mean Absolute Error，MAE） 均方误差（Mean Squared Error，MSE） 平均绝对百分误差（Mean Absolute Percentage Error，MAPE） 均方根误差（Root Mean Squared Error） R2（R-Square） 平均绝对误差MAE 平均绝对误差MAE，其能更好地反映预测值与真实值误差的实际情况，计算公式如下： 均方误差MSE 均方误差MSE的计算公式为： 平均绝对百分误差MAPE

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：84992
    • 提供者：weixin_38701407

  1. 回归预测常见的评估指标及计算案例

  2. 回归预测常见的评估指标 平均绝对误差（Mean Absolute Error，MAE） 均方误差（Mean Squared Error，MSE） 平均绝对百分误差（Mean Absolute Percentage Error，MAPE） 均方根误差（Root Mean Squared Error） R2（R-Square） 平均绝对误差MAE 平均绝对误差MAE，其能更好地反映预测值与真实值误差的实际情况，计算公式如下： 均方误差MSE 均方误差MSE的计算公式为： 平均绝对百分误差MAPE

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：84992
    • 提供者：weixin_38655767

  1. Univariate-Time-Series-Prediction-using-Deep-Learning:使用深度学习和PyTorch的单变量时间序列预测-源码

  2. 使用深度学习进行单变量时间序列预测 使用深度学习和PyTorch的单变量时间序列预测 0.简介 该存储库使用深度学习模型（包括DNN ， CNN ， RNN ， LSTM ， GRU ，递归LSTM和Attention LSTM）提供单变量时间序列预测。 使用的数据集是“设备能源预测数据集” ，可以在找到。 1.定量分析 根据下表，使用1D卷积层的CNN胜过其他模型。 模型 湄↓ MSE↓ RMSE↓ MPE↓ MAPE↓ R平方↑ DNN 31.0077 4039.9806

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：2097152
    • 提供者：weixin_42165490

  1. 几种MAPE的实现方式

  2. 目录方法一 （label 中有NaN值）方法二（label 中有零值）方法三 （限制过大过小值） 方法一 （label 中有NaN值） 这种方式是为了防止label里面有NaN值，但没考虑是否为零值。这里以pytorch进行举例。 def masked_mape(preds, labels, null_val=np.nan): if np.isnan(null_val): mask = ~torch.isnan(labels) else: mask

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：27648
    • 提供者：weixin_38668160
« 12 »