[發明專利]一種用于評估神經網絡線性回歸模型預測準確度的方法

在審

• 申請號: 202010546178.1
• 申請日: 2020-06-16
• 公開（公告）號: CN111783978A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 王進;鄒勇松;陳華;張建明
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 趙琴娜

本發明公開了一種用于評估神經網絡線性回歸模型預測準確度的方法，方法包括步驟：采用Pearson相關系數計算預測值曲線與真實值曲線之間的相關性系數；若預測值曲線與真實值曲線之間呈正相關，則計算預測值曲線與真實值曲線之間的重疊率；根據相關性系數以及重疊率，計算預測值的準確度。本方法首先采用Pearson相關系數計算兩曲線的相關性系數，然后計算兩曲線的重疊率，最后結合相關性系數和重疊率，評估線性回歸模型預測準確度。在線性回歸模型出現異常數據而使得回歸結果不太理想時，本方法相較于現有評估方法，能夠提高線性回歸模型預測準確度的評估合理性。

技術領域

本發明涉及神經網絡線性回歸技術領域，特別涉及一種用于評估神經網絡線性回歸模型預測準確度的方法。

背景技術

神經網絡的訓練過程：訓練--驗證--訓練--驗證--。驗證是將使用數據集對訓練后的模型進行測試，然后用測試輸出結果和真實值計算出誤差，根據誤差去判斷模型的準確度，然后去調整模型的訓練參數。

對線性回歸模型來說，目前常用線性相關性、MAE(Mean Absolute Error，平均絕對誤差)或MSE(Mean Square Error，均方誤差)方案等來進行評估。對于線性相關性方案，其不能反應線性回歸模型預測準確度，只能體現真實值曲線與預測值曲線兩條曲線的相關性；對于MAE或MSE方案，在線性回歸模型的回歸結果較為理想時，MAE或MSE方案能夠對線性回歸模型預測結果的準確度進行合理的評估，但在線性回歸模型出現異常數據而使得回歸結果不太理想時，由于MAE或MSE方案對異常數據的敏感程度不一，評估結果難以合理的反映出回歸結果出現異常數據時對準確度的影響，所以在該情境下，通過MAE或MSE方案評估線性回歸模型預測結果的準確度不一定合理。因此需要提出一種新的評估線性回歸模型預測準確度的方法。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明提出一種用于評估神經網絡線性回歸模型預測準確度的方法。

根據本發明實施例，提供了一種用于評估神經網絡線性回歸模型預測準確度的方法，包括以下步驟：

采用Pearson相關系數計算預測值曲線與真實值曲線之間的相關性系數；

若所述預測值曲線與真實值曲線之間呈正相關，則計算所述預測值曲線與真實值曲線之間的重疊率；

根據所述相關性系數以及所述重疊率，計算預測值的準確度。

根據本發明的實施例，至少具有如下技術效果：

本方法首先采用Pearson相關系數計算兩曲線的相關性系數，然后計算兩曲線的重疊率，最后結合相關性系數和重疊率，評估線性回歸模型預測準確度。在線性回歸模型出現異常數據而使得回歸結果不太理想時，本方法相較于現有評估方法，能夠提高線性回歸模型預測準確度的評估合理性。

根據本發明的一些實施例，所述計算所述預測值曲線與真實值曲線之間的重疊率的公式為：

且y^P與y^R滿足同時大于0或小于0，σ_r，p表示預測值曲線與真實值曲線重疊率，y^R表示t時刻的真實值，y^P表示t時刻的預測值，t＝t₀，t₁，t₂，...，t_m-1。

根據本發明的一些實施例，所述根據所述相關性系數以及所述重疊率，計算預測值的準確度的公式為：

其中，γ_r，p表示預測值的準確度，ρ_r，p表示所述相關性系數，ω₁和ω₂表示權值。