机器学习笔记 // 度量ML预测的准确率
预测时间序列最基本的方法是预测时间t+1的值与时间t的值完全一样，有效地将时间序列移动一个周期。
这里有一些方法来度量预测的准确率，本节关注两种方法：均方误差（MSE）和平均绝对误差（MAE）。
对于MSE，你可以简单获取在时间t的预测值和实际值之间的差，对它取平方（来去除负值），然后找到所有值的平均值。
对于MAE，你可以计算在时间t的预测值和实际值之间的差，取它的绝对值来去除负值（而不是取平方），并且找到所有值的平均值。
print(keras.metrics.mean_squared_error(x_valid, naive_forecast).numpy())
print(keras.metrics.mean_absolute_error(x_valid, naive_forecast).numpy())
移动平均值：不只从t-1获取值，它获取一组值（比如，30），取它们的平均值，然后将平均值设置为时间t的预测值。
提升移动平均值分析：既然在这个时间序列中季节性是365天，你可以通过使用一种叫作差分的方法来平滑趋势和季节性，差分只是将在t的值减去在t-365的值。通过实验可以看出在预测值上有一个提升：趋势线与实际值非常接近了，预测有明显的提升！