如何为Keras模型添加指标？需在现有MAE和R2中新增RMSE

没问题，给你的Keras模型新增RMSE指标其实和你已经在用的r2_keras思路完全一致，只需要自定义一个RMSE的指标函数，再把它加入模型编译的指标列表里就行。

步骤1：定义RMSE自定义指标函数 #

因为Keras没有直接内置RMSE作为可调用的指标（虽然损失用了MSE，但RMSE是它的平方根），我们用Keras后端函数来实现，保证和模型兼容：

from keras import backend as K

def rmse_keras(y_true, y_pred):
    # 先计算预测值和真实值的平方差，再取均值，最后开平方得到RMSE
    return K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1))

步骤2：修改模型编译代码 #

把刚定义的rmse_keras加入metrics参数列表里，和已有的MAE、r2_keras放在一起：

model = Sequential()
model.add(LSTM( input_shape=(n_past, nb_features), units=100, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM( units=50, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(units=1))
model.add(Activation("linear"))
# 这里新增rmse_keras到指标列表
model.compile(loss='mean_squared_error', optimizer='rmsprop', metrics=['mae', r2_keras, rmse_keras])

这样训练的时候，模型就会在每一轮输出MAE、R²和RMSE这三个指标的结果了。

内容的提问来源于stack exchange，提问作者Lebo Bocaso