如何在 MATLAB 神经网络应用中有效地计算训练/测试集的 MAPE？

Question

作为我课程的一部分，我一直在将 MATLAB 用于我的时间序列数据集（用于电力数据集）。它由 40,000 多个样本组成。神经网络形成后，我想测试它的准确性。我对 MAPE（平均绝对百分比误差）和 RMS（均方根）误差更感兴趣。为了计算它们，我使用了以下代码行。

mape_res = zeros(N_TRAIN);
mse_res = zeros(N_TRAIN);
for i_train = 1:N_TRAIN
  Inp = inputs_consumption(i_train );
  Actual_Output = targets_consumption( i_train + 1 );
  Observed_Output = sim( ann, Inp );

  mape_res(i_train) = abs(Observed_Output - Actual_Output)/Actual_Output;
  mse_res(i_train) = Observed_Output - Actual_Output;

end

mape = sum(mape_res)/N_TRAIN;
mse = sum(power(mse_res,2))/N_TRAIN;
sprintf( 'The MSE on training is %g', mse )
sprintf( 'The MAPE on training is %g', mape )

上述编码的问题在于，对于大型数据集（40K 样本），遍历所有这些循环需要将近 15 分钟，并且等待获得错误率结果的时间相当长；没有其他有效的计算方法吗？

Answer 1

您始终可以进行滚动平均，每次迭代都会更新，如下所示：

mape_res = abs(Observed_Output - Actual_Output) / Actual_Output;
mse_res  = Observed_Output - Actual_Output;

alpha = 1 / i_train;
mape = mape * (1 - alpha) + mape_res * alpha;
mse  = mes * (1 - alpha) + power(mse_res,2) * alpha;

然后您可以显示每次迭代的结果值，或者在达到所需错误率时使用它们作为停止标准，或者两者兼而有之。这还有一个额外的好处，即不需要初始化和填充 mape_res 和 mse_res 向量，除非它们碰巧在其他地方需要......

编辑：确保在进入 for 循环之前将 mape 和 mse 值初始化为零 :)