多步与多输出模型评估及预测

79、对于多步模型，使用平均绝对误差（MAE）评估模型并存储该 MAE。

在构建好多步模型并绘制预测结果后，使用 MAE 评估模型性能并将得到的 MAE 值进行存储。

80、对于多步模型，绘制其预测结果。

可在GitHub上找到解决方案： https://github.com/marcopeix/TimeSeriesForecastingInPython/tree/master/CH17

81、对于多步模型，如何使用平均绝对误差（MAE）评估模型并存储该 MAE？

在不同模型构建部分，在多步模型中构建线性模型和 DNN 模型后，都需测量其性能使用 MAE 并存储；在实现 CNN 和 CNN + LSTM 模型时，使用 evaluate 方法评估模型性能，可通过该方法获取 MAE 并进行存储，如：

ms_val_performance['CNN + LSTM'] = ms_cnn_lstm_model.evaluate(multi_window.val)

和

ms_performance['CNN + LSTM'] = ms_cnn_lstm_model.evaluate(multi_window.test, verbose=0)

82、对于多输出模型，如何绘制其预测结果？

可使用 plot 方法，示例为：

• multi_window.plot(ms_lstm_model)
• multi_window.plot(linear)