Det är en slags optisk illusion: ögat tittar på diagrammet och ser att de röda och blå diagrammen är precis bredvid var och en. Problemet är att de ligger precis bredvid varandra horisontellt , men det som är viktigt är avståndet vertikalt . Ögat ser lättast avståndet mellan kurvorna i det tvådimensionella utrymmet i den kartesiska grafen, men det som är viktigt är det endimensionella avståndet inom ett visst t-värde. Anta till exempel att vi hade poäng A1 = (10 100), A2 = (10,1, 90), A3 = (9,8,85), P1 = (10,1 100,1) och P2 = (9,8, 88). Ögat kommer naturligtvis att jämföra P1 till A1, för det är den närmaste punkten, medan P2 kommer att jämföras med A2. Eftersom P1 är närmare A1 än P2 är A3 kommer P1 att se ut som en bättre förutsägelse. Men när du jämför P1 med A1 tittar du bara på hur bra A1 bara kan upprepa vad den såg tidigare; med avseende på A1 är P1 inte en förutsägelse . Den korrekta jämförelsen är mellan P1 v. A2 och P2 v. A3, och i denna jämförelse är P2 bättre än P1. Det skulle ha varit tydligare om det, förutom att plotta y_actual och y_pred mot t, hade funnits diagram över (y_pred-y_actual) mot t.

Varför är den första "fattiga"?det ser nästan perfekt ut för mig, förutspår det varje förändring perfekt!

Det är en så kallad "skiftad" prognos.Om du tittar närmare på diagram 1 ser du att förutsägelsestyrkan bara är att kopiera nästan exakt det senast sett värdet.Det betyder att modellen inte lärt sig något bättre, och den behandlar tidsserierna som en slumpmässig promenad.Jag antar att problemet kan vara att du använder raw-data som du matar till det neurala nätverket.Dessa data är non-stationary vilket orsakar alla problem.