fit2 = model.MAPE(X_test[:, -1], adjusted_prediction1)通过此代码计算得出的fit2，建立一个空的列表将fit2添加进去为什么输出的是None

这个问题可能是因为你没有正确地将 `fit2` 添加到列表中。请确保你正确地使用了 `append()` 方法将 `fit2` 添加到列表中。例如：

fit_list = []  # 建立空列表
fit2 = model.MAPE(X_test[:, -1], adjusted_prediction1)
fit_list.append(fit2)  # 将 fit2 添加到列表中
print(fit_list)  # 此处应该输出 [fit2]

如果你仍然无法得到正确的输出，请检查你的 `model.MAPE()` 方法是否正确地返回了一个数值类型的结果。你可以在 `model.MAPE()` 方法中添加一个 `print()` 语句来检查这一点。例如：

def MAPE(self, y_true, y_pred):
    mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
    print("MAPE:", mape)  # 添加一个 print 语句
    return mape

这样，你就可以在终端中看到 `MAPE` 值是否正确计算出来了。

相关问题

model = Sequential() model.add(LSTM(10, activation = "tanh",input_shape=(window_size, 1))) model.add(Dense(1)) model.add(tfp.layers.DistributionLambda( lambda t: tfd.Normal(loc=t[...,0], scale=0.01*tf.math.softplus(t[...,1])), name='normal_dist')) # note this negloglik = lambda y, p_y: -p_y.log_prob(y) # note this opt = keras.optimizers.Adam(learning_rate=0.001) model.compile(loss=negloglik, optimizer= opt) #model.compile(loss="mse", optimizer= opt)中，改为model.add(Dense(2))，测试集中的MAPE上升，怎么办

当您将 `model.add(Dense(1))` 更改为 `model.add(Dense(2))` 后，您的模型将输出两个值，一个是均值，另一个是标准差。这表明您希望使用正态分布来拟合您的目标。但您需要相应地更改损失函数，使其适用于正态分布。可以使用负对数似然作为损失函数，然后使用 `tfd.Normal.log_prob(y)` 来计算概率密度。

以下是更改后的代码示例：

model = Sequential()
model.add(LSTM(10, activation="tanh", input_shape=(window_size, 1)))
model.add(Dense(2))
model.add(tfp.layers.DistributionLambda(
    lambda t: tfd.Normal(loc=t[...,0], scale=0.01*tf.math.softplus(t[...,1])),
    name='normal_dist'))
    
def negloglik(y, p_y):
    return -tf.reduce_mean(p_y.log_prob(y))

opt = keras.optimizers.Adam(learning_rate=0.001)
model.compile(loss=negloglik, optimizer=opt)

请注意，您还需要相应地调整您的训练代码，以便在训练期间使用 `tfd.Normal(loc=p_y[:,0], scale=tf.math.softplus(p_y[:,1]))` 来计算预测值的概率密度。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import BPNN from sklearn import metrics from sklearn.metrics import mean_absolute_error from sklearn.metrics import mean_squared_error #导入必要的库 df1=pd.read_excel(r'D:\Users\Desktop\大数据\44.xls',0) df1=df1.iloc[:,:] #进行数据归一化 from sklearn import preprocessing min_max_scaler = preprocessing.MinMaxScaler() df0=min_max_scaler.fit_transform(df1) df = pd.DataFrame(df0, columns=df1.columns) x=df.iloc[:,:4] y=df.iloc[:,-1] #划分训练集测试集 cut=4#取最后cut=30天为测试集 x_train, x_test=x.iloc[4:],x.iloc[:4]#列表的切片操作，X.iloc[0:2400，0:7]即为1-2400行，1-7列 y_train, y_test=y.iloc[4:],y.iloc[:4] x_train, x_test=x_train.values, x_test.values y_train, y_test=y_train.values, y_test.values #神经网络搭建 bp1 = BPNN.BPNNRegression([4, 16, 1]) train_data=[[sx.reshape(4,1),sy.reshape(1,1)] for sx,sy in zip(x_train,y_train)] test_data = [np.reshape(sx,(4,1))for sx in x_test] #神经网络训练 bp1.MSGD(train_data, 1000, len(train_data), 0.2) #神经网络预测 y_predict=bp1.predict(test_data) y_pre = np.array(y_predict) # 列表转数组 y_pre=y_pre.reshape(4,1) y_pre=y_pre[:,0] #画图 #展示在测试集上的表现 draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_pre)],axis=1); draw.iloc[:,0].plot(figsize=(12,6)) draw.iloc[:,1].plot(figsize=(12,6)) plt.legend(('real', 'predict'),loc='upper right',fontsize='15') plt.title("Test Data",fontsize='30') #添加标题 #输出精度指标 print('测试集上的MAE/MSE') print(mean_absolute_error(y_pre, y_test)) print(mean_squared_error(y_pre, y_test) ) mape = np.mean(np.abs((y_pre-y_test)/(y_test)))*100 print('=============mape==============') print(mape,'%') # 画出真实数据和预测数据的对比曲线图 print("R2 = ",metrics.r2_score(y_test, y_pre)) # R2 运行上述程序。在下面这一步中draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_pre)],axis=1);我需要将归一化的数据变成真实值，输出对比图，该怎么修改程序

在将归一化的数据变回真实值的过程中，需要将归一化的因变量（即最后一列）逆转换回来，以得到真实的预测值和真实值。代码如下：

# 将预测结果和真实结果逆归一化
y_predict = min_max_scaler.inverse_transform(y_pre.reshape(-1, 1))
y_test = min_max_scaler.inverse_transform(y_test.reshape(-1, 1))

# 画图
draw=pd.concat([pd.DataFrame(y_test), pd.DataFrame(y_predict)], axis=1)
draw.iloc[:,0].plot(figsize=(12,6))
draw.iloc[:,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'), loc='upper right', fontsize='15')
plt.title("Test Data", fontsize='30')

# 输出精度指标
print('测试集上的MAE/MSE')
print(mean_absolute_error(y_predict, y_test))
print(mean_squared_error(y_predict, y_test))
mape = np.mean(np.abs((y_predict-y_test)/(y_test)))*100
print('=============mape==============')
print(mape,'%')

# 输出R2分数
print("R2 = ", metrics.r2_score(y_test, y_predict))

在此代码中，我们使用了 MinMaxScaler 对象的 inverse_transform() 方法将归一化的结果转换回原始的数据范围。运行修改后的代码，即可得到真实值与预测值的对比图，以及各种精度指标的输出。