如果数据已经归一化且预测值大于-1,那么均方对数误差(Mean Squared Logarithmic Error, MSLE)将无法使用,因为它的计算涉及到取对数操作,而负预测值无法取对数。
一个替代的评估指标是均方误差(Mean Squared Error, MSE),它可以用于衡量预测值和实际值之间的差异。下面是一个示例代码,展示如何计算并输出均方误差。
import numpy as np
# 假设我们有归一化的预测值和实际值
predictions = np.array([0.2, 0.4, 0.6])
targets = np.array([0.3, 0.5, 0.8])
# 计算均方误差
mse = np.mean((predictions - targets) ** 2)
print("均方误差:", mse)
输出结果将是均方误差的值。请注意,这里的预测值和实际值都应该是归一化的,并且预测值应大于-1(因为如果小于-1,可能需要重新检查预测模型)。