测量训练后的神经网络的相关性

我正在使用非正态分布数据训练人工神经网络（反向传播，前馈）。除了均方根误差外，文献还经常提出用于评估训练网络质量的皮尔逊相关系数。但是，如果训练数据不是正态分布的，Pearson相关系数是否合理？使用基于等级的相关度量（例如Spearman rho）是否更合理？

皮尔逊相关系数用于衡量线性关联。基于经验的第二中心矩，它受极限值的影响。因此：

• 实际vs预测值散点图中的非线性证据表明，建议使用诸如秩相关（Spearman）系数之类的替代方法。

  • 如果该关系平均看起来是单调的（如图中上排所示），则秩相关系数将是有效的；

  • 否则，该关系是曲线的（例如在插图的下排的某些示例中，例如最左侧或中间的U形），并且任何相关性度量都可能是不够充分的描述；使用等级相关系数无法解决此问题。

• 散点图中异常数据的存在表明Pearson相关系数可能高估了线性关系的强度。它可能正确或不正确；谨慎使用。等级相关系数可能会更好，也可能不会更好，这取决于离群值的可信度。

（图片摘自Wikipedia关于Pearson积矩相关系数的文章。）