為什麼這個時間序列的預測“很差”？
我正在嘗試學習如何使用神經網絡。我正在閱讀本教程。
使用值在時間序列上擬合神經網絡後預測值作者得到如下圖，其中藍線是時間序列，綠色是對訓練數據的預測，紅色是對測試數據的預測（他使用了測試訓練拆分）
並稱之為“我們可以看到該模型在擬合訓練和測試數據集方面做得很差。它基本上預測了與輸出相同的輸入值。”
然後作者決定使用,和預測值. 這樣做可以獲得
並說“看圖表，我們可以在預測中看到更多結構。”
我的問題
為什麼第一個“窮”？它對我來說看起來幾乎完美，它完美地預測了每一個變化！
同樣，為什麼第二個更好？“結構”在哪裡？對我來說，它似乎比第一個差得多。
一般來說，什麼時候對時間序列的預測是好的，什麼時候是壞的？
這是一種視錯覺：眼睛看著圖表，看到紅色和藍色圖表就在每個旁邊。問題是它們在水平方向上是緊挨著的，但重要的是垂直方向。距離。眼睛最容易看到笛卡爾圖二維空間中曲線之間的距離，但重要的是特定 t 值內的一維距離。例如，假設我們有點 A1= (10,100)、A2 = (10.1, 90)、A3 = (9.8,85)、P1 = (10.1,100.1) 和 P2 = (9.8, 88)。眼睛自然會將 P1 與 A1 進行比較，因為那是最近的點，而 P2 將與 A2 進行比較。由於 P1 與 A1 的距離比 P2 與 A3 的距離更近，因此 P1 看起來是一個更好的預測。但是，當您將 P1 與 A1 進行比較時，您只是在查看 A1 能夠重複之前看到的內容的能力；關於 A1，P1 不是預測. 正確的比較是在 P1 與 A2 和 P2 與 A3 之間進行比較，在此比較中，P2 優於 P1。如果除了繪製 y_actual 和 y_pred 與 t 之外，還有 (y_pred-y_actual) 與 t 的關係圖，那就更清楚了。