衡量线性回归法的指标：MSE, RMSE和MAE

最新推荐文章于 2025-03-19 15:20:13 发布
最新推荐文章于 2025-03-19 15:20:13 发布
阅读量6.6k 收藏 11
点赞数 2
分类专栏： 机器学习 文章标签： mse rmse

举个栗子：

对于简单线性回归，目标是找到a,b 使得尽可能小

其实相当于是对训练数据集而言的，即

当我们找到a，b后，对于测试数据集而言

，理所当然，其衡量标准可以是

但问题是，这个衡量标准和m相关。

（当10000个样本误差累积是100，而1000个样本误差累积却达到了80，虽然80<100，但我们却不能说第二个模型优于第一个）

改进==> 对式子除以m，使得其与测试样本m无关

 -> 

 但又有一个问题，之前算这个公式时为了保证其每项为正，且可导（所以没用绝对值的表示方法），我们对式子加了一个平方。但这可能会导致量纲的问题，如房子价格为万元，平方后就成了万元的平方。

又改进==> 对MSE开方，使量纲相同

->

 MSE与RMSE的区别仅在于对量纲是否敏感

 又一思路，通过加绝对值

 -> 

在推导a,b的式子时（对train数据集），没用求绝对值的方法是因为其不是处处可导，不方便用来求极值。但评价模型时，对test数据集我们完全可以使用求绝对值的方式。

 P.S. 评价模型的标准和训练模型时最优化的目标函数是可以完全不一样的。

RMSE vs MAE 

RMSE 与 MAE 的量纲相同，但求出结果后我们会发现RMSE比MAE的要大一些。

这是因为RMSE是先对误差进行平方的累加后再开方，它其实是放大了较大误差之间的差距。

而MAE反应的就是真实误差。因此在衡量中使RMSE的值越小其意义越大，因为它的值能反映其最大误差也是比较小的。

衡量线性回归法最好的指标 R Squared

对于上述的衡量方法，如RMSE和MAE还是有问题的，还是因为量纲不一样。比如我们预测考试分数误差是10，预测房价误差是1w。但我们却不能评价我们的模型是更适合预测分数还是预测房价。

解决方法==> 新的指标：R方

（上：y预测-y真，our model，下：y真平均-y真，baseline model）

 使用baseline模型肯定会产生很多错误，我们自己的模型产生的错误会少一些。

1 - ourModelError / baselineModelError = 我们模型拟合住的部分

 R方将回归结果归约到了0~1间，允许我们对不同问题的预测结果进行比对了。

我们可发现，上面其实就是MSE，下面就是方差

深度学习：MAE 和 RMSE 详解
南淮北安的博客
10-25 10万+
平均绝对误差MAE（mean absolute error） 和均方根误差 RMSE（root mean squared error)是衡量变量精度的两个最常用的指标，同时也是机器学习中评价模型的两把重要标尺。 那两者之间的差异在哪里？它对我们的生活有什么启示？ 文章目录一、定义二、比较三、应用 一、定义 平均绝对误差MAE（mean absolute error）是绝对误差的平均值，它其实是更一...
机器学习：衡量线性回归法的指标（MSE、RMSE、MAE、R Squared）
java
08-06 5010
机器学习：衡量线性回归法的指标（MSE、RMSE、MAE、R Squared） 一、MSE、RMSE、MAE 思路：测试数据集中的点，距离模型的平均距离越小，该模型越精确 # 注：使用平均距离，而不是所有测试样本的距离和，因为距离和受样本数量的影响 　 　1）公式： MSE：均方误差 RMSE：均方根误差 MAE：平均绝对误差 二、具体实现 　1）自己...
【线性回归算法】{3} ——衡量线性回归算法的指标MSE、RMSE、MAE和R Squared
Giyn
03-28 2126
此处介绍三种线性回归算法的衡量指标。 第一种：MSE（均方误差） 第二种：RMSE（均方根误差） 使用RMSE，采用同样的量纲的话，误差背后的意义更加明显。 量纲，又叫作因次，是表示一个物理量由基本量组成的情况。确定若干个基本量后，每个导出量都可以表示为基本量的幂的乘积的形式。引入量纲这一概念可以进行量纲分析，这既是物理学的基础，又有着很多重要应用。——维基百科 第三种：MAE（平均绝对...
深度解析回归模型评估指标：MAE、MSE、RMSE 与 R² 的详细讲解
cnzzs的博客
02-08 6682
下面是对 MAE、MSE、RMSE 和 R² 四个指标的详细解释、计算公式、特点以及应用场景的说明：1. MAE(平均绝对误差)定义： MAE(Mean Absolute Error)表示预测值与真实值之间绝对误差的平均值。公式：其中， 为真实值， 为预测值， 为样本数。特点：直观性： MAE 直接反映了预测误差的平均水平...
误差评估指标整理--MAE、RMSE、MASE、MAPE、SMAPE、OWA、RMSLE
最新发布
hldsddy_s的博客
03-19 1300
其中，yt​是真实值；yt​​是预测值；n是样本数量。
衡量线性回归法的指标MSE, RMSE,MAE和R Square
weixin_33749242的博客
03-01 1125
衡量线性回归法的指标：MSE, RMSE和MAE 举个栗子： 对于简单线性回归，目标是找到a,b 使得尽可能小 其实相当于是对训练数据集而言的，即 当我们找到a，b后，对于测试数据集而言 ，理所当然，其衡量标准可以是 但问题是，这个衡量标准和m相关。 （当10000个样本误差累积是100，而1000个样本误差累积却达到了80，虽然80<100，但我们却不能说第二个模型优于第...
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
A34436791的博客
09-21 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。可以看出，RMSE=sqrt（MSE），因此，MSE 和 RMSE 二者是呈正相关的，MSE 值大，RMSE 值也大，所以在评价线性回归模型效果的时候，使用 RMSE 就可以了。
回归模型选择性能指标 | RMSE与MAE应用及其区别（L1-曼哈顿范数和L2-欧几里得范数)
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-01 4747
机器学习回归问题常用的两种选择性能指标： 均方根误差（Root Mean Square Error-RMSE）： RMSE(X,h)=1m∑i=1m(h(x(i))−y(i))2 RMSE(\bold X,h)=\sqrt{\frac{1}{m}\sum_{i=1}^m(h(x^{(i)})-y^{(i)})^2} RMSE(X,h)=m1​i=1∑m​(h(x(i))−y(i))2​ 均方根...
均方根误差（RMSE) 平均绝对误差（MAE） 标准差（Standard Deviation）的区别
qq_38250124的博客
03-05 4251
RMSE root mean square error均方根误差 是观测值与真值偏差的平方和与观测次数m比值的平方根。 是用来衡量观测值同真值之间的偏差 MAE Mean Absolute Error ，平均绝对误差 是绝对误差的平均值 能更好地反映预测值误差的实际情况. 标准差 Standard Deviation ，标准差 ...
评估回归模型的指标：MSE、RMSE、MAE、R2、偏差和方差
悦光阴的博客
12-18 2万+
在回归任务(对连续值的预测)中，常见的评估指标(Metric)有：平均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)，其中用得最为广泛的就是MAE和MSE。下面依次来...
基于贝叶斯线性回归(bayesian)的时间序列预测，MATLAB代码 评价指标包括:R2、MAE、MSE、RMSE和MAP
08-28
MAE（平均绝对误差）和MSE（均方误差）是衡量误差大小的指标，前者关注绝对偏差，后者考虑平方误差，对大误差更敏感。RMSE（均方根误差）是MSE的平方根，易于与目标变量的单位保持一致。MAPE（平均绝对百分比误差）...
衡量线性回归法的指标MSE、RMSE、MAE、R Squared（最佳）
Bonjour_h的博客
03-19 3270
线性回归算法的评测                                          &nbs
均方根误差（RMSE），平均绝对误差(MAE)，标准差(Standard Deviation)的对比
热门推荐
cape的博客
11-24 21万+
RMSE Root Mean Square Error,均方根误差 是观测值与真值偏差的平方和与观测次数m比值的平方根。 是用来衡量观测值同真值之间的偏差 MAE Mean Absolute Error ，平均绝对误差 是绝对误差的平均值 能更好地反映预测值误差的实际情况. 标准差 Standard Deviation ，标准差 是方差的算数平方根 是用来衡量一组数自身的离散程度
模型预测精度（数值regression）评价指标 - RMSE, MAE, MAPE & Bias哪个指标更好？Forecast KPIs: RMSE, MAE, MAPE & Bias
weixin_47442572的博客
01-17 2万+
在销量/需求预测时常用的一些模型评价指标，尤其是在supplychain销量预测等领域，哪些指标好，哪些不好？什么时候用什么指标。
均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
sjyttkl的专栏
05-02 7万+
RMSERoot Mean Square Error,均方根误差是观测值与真值偏差的平方和与观测次数m比值的平方根。是用来衡量观测值同真值之间的偏差MAEMean Absolute Error ，平均绝对误差是绝对误差的平均值能更好地反映预测值误差的实际情况.标准差Standard Deviation ，标准差是方差的算数平方根是用来衡量一组数自身的离散程度...
回归评价指标（MSE、RMSE、MAE、R-Squared、拟合优度）
Black eyes的博客
07-23 8万+
文章目录拟合优度 拟合优度 拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（Coefficient of Determination）R²。可决系数，亦称测定系数、确定系数、决定系数、可决指数。 对于m个样本(x1→,y1),(x2→,y2),⋯ ,(xm→,ym)(\overrightarrow{x_{1}},y_{1}),(\overr...
线性回归评价几个指标（MAE，MSE，RMSE，R^2，MAPE）
SpinMeRound的博客
09-18 1万+
Python–线性回归评价指标实现 一、项目背景 （可不看） 最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。 现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–>营业人员经验修正–>客户需求生成。 面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。 修正办法：
线性回归基于MSE、RMSE、MAE、MAPE、R²指标对模型进行评价，请看详细结论。
02-01
### 线性回归模型评估 #### 使用MSE、RMSE、MAE、MAPE、R²进行线性回归模型评估 在线性回归分析中，通过计算均方误差(MSE)[^3]、均方根误差(RMSE)、平均绝对误差(MAE)[^4]、平均绝对百分比误差(MAPE)，以及决定系数\( R^{2} \)[^1]来衡量模型性能。 对于给定的真实值 \( y_{true} \) 和预测值 \( y_{pred} \)，这些度量提供了不同视角下的模型表现： - **MSE** 表达了预测值与真实值之间差异的平方的平均数。较高的MSE意味着更大的偏差。 ```python import numpy as np def mse_value(y_true, y_pred): """ 参数: y_true -- 测试集目标真实值 y_pred -- 测试集目标预测值 返回: mse -- MSE 评价指标 """ n = len(y_true) mse = sum(np.square(y_true - y_pred)) / n return mse ``` - **RMSE** 是MSE的算术平方根，使得单位恢复至原始数据尺度，更易于解释。较低的RMSE表明更好的拟合效果。 - **MAE** 计算了预测值和观测值之间的平均绝对差额，不受极端值影响较大，提供了一个稳健性的测量标准。 - **MAPE** 将误差转换成相对于实际观察的比例形式，适用于对比具有不同规模的数据集间的准确性。 - **\( R^{2} \)** 或者称为决定系数，反映了自变量能够解释因变量变异的程度，在理想情况下取值为1，表示完全匹配；而当其接近于0时，则暗示几乎没有关联存在。 为了展示具体应用实例，假设有一个简单的Python函数用于计算上述各项统计量： ```python from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score, mean_absolute_percentage_error import math def evaluate_regression_model(y_true, y_pred): mse = mean_squared_error(y_true, y_pred) rmse = math.sqrt(mse) mae = mean_absolute_error(y_true, y_pred) mape = mean_absolute_percentage_error(y_true, y_pred)*100 # Convert to percentage form r2 = r2_score(y_true, y_pred) results = { 'Mean Squared Error': round(mse, 4), 'Root Mean Squared Error': round(rmse, 4), 'Mean Absolute Error': round(mae, 4), 'Mean Absolute Percentage Error (%)': round(mape, 2), 'Coefficient of Determination (R²)': round(r2, 4) } return results ``` 此代码片段定义了一个`evaluate_regression_model()` 函数接收两个参数——真实的响应向量 `y_true` 及对应的估计输出 `y_pred` ，返回一个字典对象包含了五个常用的回归质量评分项及其数值结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值