我很抱歉听起来很傻，因为我开始了！
不要这样做;这是一个非常重要的微妙问题，通常（遗憾的是）在教程和介绍性论述中被省略。
不幸的是，它并不像取反变换的MSE的平方根那么简单，但也不是那么复杂;本质上你要做的是：
1.将预测转换回原始数据的初始比例
1.获取这些反变换预测与原始数据之间的MSE
1.求结果的平方根
以便获得模型的性能指标，该指标在您的问题的 * 业务 * 上下文中将是有意义的（例如，这里的美元）。
让我们看一个玩具数据的快速示例，省略模型本身（这在这里是无关紧要的，实际上可以是任何回归模型-不仅仅是Keras模型）：

from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
import numpy as np

# toy data
X = np.array([[1,2], [3,4], [5,6], [7,8], [9,10]])
Y = np.array([3, 4, 5, 6, 7])

# feature scaling
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X)

# outcome scaling:
sc_Y = StandardScaler()
Y_train = sc_Y.fit_transform(Y.reshape(-1, 1))
Y_train
# array([[-1.41421356],
#        [-0.70710678],
#        [ 0.        ],
#        [ 0.70710678],
#        [ 1.41421356]])

字符串
现在，假设我们使用缩放集X_train和Y_train拟合Keras模型（此处未显示），并获得训练集上的预测：

prediction = model.predict(X_train) # scaled inputs here
print(prediction)
# [-1.4687586  -0.6596055   0.14954728  0.95870024  1.001172  ]

型
Keras报告的MSE实际上是缩放的MSE，即：

MSE_scaled = mean_squared_error(Y_train, prediction)
MSE_scaled
# 0.052299712818541934

型
而我上面描述的3个步骤很简单：

MSE = mean_squared_error(Y, sc_Y.inverse_transform(prediction))  # first 2 steps, combined
MSE
# 0.10459946572909758
np.sqrt(MSE)  # 3rd step
# 0.323418406602187

型
因此，在我们的例子中，如果我们的初始Y是美元，那么相同单位（美元）的实际误差将是0.32（美元）。
请注意，对缩放的MSE进行逆变换的简单方法将如何给出给予非常不同（并且不正确）的结果：

np.sqrt(sc_Y.inverse_transform([MSE_scaled]))
# array([2.25254588])

型

MSE是均方误差，这里是公式。

基本上，它是期望输出和预测值之差的平方的平均值。求其平方根不会给予误差和输出之间的差。这对训练很有用。
目前你已经建立了一个模型。如果你想训练模型，请使用这些函数。

mode.fit(x=input_x_array, y=input_y_array, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

字符串
如果你想预测输出，你应该使用下面的代码。

prediction = model.predict(np.array(input_x_array))
print(prediction)

型
你可以在这里找到更多的细节。
https://keras.io/models/about-keras-models/
https://keras.io/models/sequential/的