醋醋百科网

1. 想法 & 假设：核心中的核心！

模型不是空中楼阁。先想清楚！ 你的策略逻辑是什么？依据在哪？理论支撑是啥？比如做CTA趋势跟踪：你的核心假设是“趋势会延续”吗？交易频率是低频、中频还是高频？必须精准定义你要解决的问题和目标。 这一步决定了后面所有！

2. 数据收集：上限在此！

基于第一步的想法找数据。想做中频？那日度数据就够了。数据决定了你能解决问题的天花板，模型只是逼近它。数据源分公开API和专业数据源（详见行情数据收集笔记），选对很重要。

对于人眼来说，很容易看出两个给定图像的质量有多相似。例如下图将各种空间噪声添加到图片中，我们很容易将它们与原始图像进行比较，并指出其中的扰动和不规则性。但是在机器学习中我们需要数学表达式来量化这种差异。

在本文中，我们将看到如何使用一行代码实现以下相似性度量，并对比各相似度的评分:

Mean Squared Error (MSE)
Root Mean Squared Error (RMSE)
Peak Signal-to-Noise Ratio (PSNR)
Structural Similarity Index (SSIM)
Universal Quality Image Index (UQI)
Multi-scale Structural Similarity Index (MS-SSIM)
Erreur Relative Globale Adimensionnelle de Synthèse (ERGAS)
Spatial Correlation Coefficient (SCC)
Relative Average Spectral Error (RASE)
Spectral Angle Mapper (SAM)
Visual Information Fidelity (VIF)

怎么评估AI回归模型的预测结果，计算回归模型预测值与真实值之间的差距？这篇文章里，作者介绍了常见指标的含义与计算方式，一起来看看吧。

上文介绍了如何利用混淆矩阵、KS和AUC等指标来评估分类模型的性能，今天我们来看一下如何评估回归模型的预测结果。

不管是分类模型还是回归模型的评估，其本质都是为了计算真实值和预测值之间的“差异”。