決定差異最小的標(biāo)準(zhǔn)通常依賴于您的具體問題和任務(wù)。以下是一些常見的用于評估預(yù)測性能的標(biāo)準(zhǔn)和思路：

1. **均方根誤差 (RMSE):** RMSE 是預(yù)測值和真實值之間差異的平方的平均值的平方根。它對較大的誤差更加敏感。

? ?from sklearn.metrics import mean_squared_errorrmse = mean_squared_error(result_df['Real_Data'], result_df['Predicted_Data'], squared=False)

2. **平均絕對誤差 (MAE):** MAE 是預(yù)測值和真實值之間絕對差異的平均值。它對異常值不太敏感。

? ?from sklearn.metrics import mean_absolute_errormae = mean_absolute_error(result_df['Real_Data'], result_df['Predicted_Data'])

3. **平均百分比誤差 (MAPE):** MAPE 表示平均預(yù)測誤差的百分比。它在百分比方面提供了直觀的度量。

? ?def mean_absolute_percentage_error(y_true, y_pred):?y_true, y_pred = np.array(y_true), np.array(y_pred)return np.mean(np.abs((y_true - y_pred) / y_true)) * 100mape = mean_absolute_percentage_error(result_df['Real_Data'], result_df['Predicted_Data'])

4. **決定系數(shù) (R-squared):** 決定系數(shù)表示模型能夠解釋目標(biāo)變量方差的百分比。取值范圍在0到1之間，越接近1表示模型擬合得越好。

? ?from sklearn.metrics import r2_scorer_squared = r2_score(result_df['Real_Data'], result_df['Predicted_Data'])

您可以選擇一個或多個這些指標(biāo)，具體取決于您關(guān)心的方面。例如，如果您更關(guān)注異常值，可能更傾向于使用 MAE 或 MAPE；如果您關(guān)心整體趨勢和波動，可能更傾向于使用 RMSE 或 R-squared。在選擇標(biāo)準(zhǔn)時，最好根據(jù)您的問題領(lǐng)域和任務(wù)目標(biāo)來權(quán)衡不同的性能指標(biāo)。