MSE和MAE的比较

最新推荐文章于 2024-06-05 09:42:07 发布
最新推荐文章于 2024-06-05 09:42:07 发布
阅读量1.4w 收藏 6
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/PKU_Jade/article/details/80745404
版权

两种损失函数的性质

异常值

MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。
MAE对异常之不敏感，

不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。

优化效率

MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度，
MSE可导，有closed-form解，只需要令偏导数为0即可。

如何选择

如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进行异常值处理再使用MSE

PKU_Jade
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python之MSE、MAE、RMSE的使用
09-17
在机器学习和统计建模中，评估模型性能是非常重要的步骤，而MSE（均方误差）、MAE（平均绝对误差）和RMSE（均方根误差）是衡量预测模型精度的常见指标。这些指标用于量化实际值（target）与预测值（prediction）之间...
损失函数MSE和MAE的区别以及如何选择
诚朴求食
06-21 8272
损失函数MSE和MAE的区别，如何进行选择
深度学习常用损失MSE、RMSE、MAE和MAPE
weixin_48018951的博客
03-17 2万+
三种常见损失总结，MSE、RSME、MAE
MAE和MSE
最新发布
qq_20466297的博客
06-05 748
MAE存在一个严重的问题（特别是对于神经网络）：更新的梯度始终相同，也就是说，即使对于很小的损失值，梯度也很大。而MSE在这种情况下的表现就很好，即便使用固定的学习率也可以有效收敛。总的来说，处理异常点时，MAE损失函数更稳定，但它的导数不连续，因此求解效率较低。，也可以看做L1损失，是一种用于回归模型的常用损失函数。其只衡量了预测值误差的平均模长，而不考虑方向，取值范围也是从0到正无穷（如果考虑方向，则是残差/误差的总和——平均偏差（MBE））。它表示的是预测值与实际观测值之间差的平方的平均值的平方根。
MSE（L2损失）与MAE（L1损失）的分析
zzzz_123123的博客
02-09 5549
简单来说，MSE计算简便，但MAE对异常点有更好的鲁棒性。训练一个机器学习模型时，目标就是找到损失函数达到极小值的点。当预测值等于真实值时，这两种函数都能达到最小。 分析：MSE对误差取了平方（令e=真实值-预测值），因此若e>1，则MSE会进一步增大误差。如果数据中存在异常点，那么e值就会很大，而e²则会远大于|e|。因此，相对于使用MAE计算损失，使用MSE的模型会赋予异常点更大的权...
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
weixin_43155435的博客
06-13 4万+
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
fengdu78的博客
05-16 8455
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，data会被skew，RMSE会被明显拉...
MSE与MAE对机器学习性能优化的作用比较.pdf
09-24
本文通过比较MSE和MAE对机器学习性能优化的作用，探讨如何合理选择损失函数，提高机器学习效率，降低误差和降低错误率。 一、损失函数的概念和作用 损失函数是机器学习中的最小化目标函数，Its作用是以预测结果为...
使用指标评估去噪算法的性能：MSE、MAE、SNR、PSNR 和互相关：此代码计算指标 MSE、MAE、SNR、PSNR 和互相关系数。-matlab开发
06-01
Matlab提供的这些工具使得这个过程变得更加便捷，使得研究人员和工程师能够准确评估和比较不同的去噪策略，从而优化他们的算法设计。在进行信号处理时，结合实际应用场景选择合适的评估指标，将有助于提升整体的数据...
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE
04-29
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean ...
机器学习——需求预测——准确性（误差）统计——MAE、MSE、MAPE、WMAPE
huangguohui_123的博客
11-21 2万+
误差指标 公式（为预测值，为真实值） 特点 缺点 MAE 1、易受真实值量纲上的差别带来的影响 MSE 1、加倍惩罚极端误差 1、易受真实值量纲上的差别带来的影响 2、极端值的影响 MAPE WMAPE 一、平均绝对误差(Mean Absolute Error，MAE) 其中，为预测值，为真实值。 由于...
MSE 和 MAE
weixin_50267049的博客
11-23 4137
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度， MSE可导，有closed-form解，只需要令偏导数为0即可。 如何选择 如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进行异常值
基本概念--MAE、MSE和RMSE
weixin_43894340的博客
11-29 1万+
回归算法中常用的评价指标：MAE、MSE和RMSE 1.MAE（Mean Absolute Error：平均绝对误差） 其中，表示真实值，表示预测值 2.MSE（Mean Square Error:均方误差） 3.RMSE（Root Mean Square Error:均方根误差） ...
对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理
あずにゃん梓喵的博客
08-20 3387
tensorflow 2.0 画出model网络模型的拓扑图 tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint） TensorBoard视觉化网络每层权重分布、视觉化网络层结构 MSE(均方误差)、MAE(平均绝对误差) from_logits CE(Cross-Entropy)、BCE(Binary Cross-Ent...
mse python_MSE与MAE的区别与选择
weixin_39622289的博客
12-15 1389
MSE与MAE的区别与选择1.均方误差(也称L2损失)均方误差(MSE)是最常用的回归损失函数，计算方法是求预测值与真实值之间距离的平方和，公式如图。2.平均绝对值误差(也称L1损失)平均绝对误差(MAE)是另一种用于回归模型的损失函数。MAE是目标值和预测值之差的绝对值之和。其只衡量了预测值误差的平均模长，而不考虑方向，取值范围也是从0到正无穷(如果考虑方向，则是残差/误差的总和——平均偏差(M...
回归评价指标：MSE、RMSE、MAE、MAPE、R2公式理解及代码实现
热门推荐
haosen
05-05 8万+
目录 预先假设： 平均绝对误差（MAE） 均方误差（MSE）均方根误差（RMSE） MAE：平均绝对误差；MAPE：平均绝对百分比误差 R2（R-Square）决定系数 通过sklearn库实现5种评价指标 预先假设： 平均绝对误差（MAE） 平均绝对误差（Mean Absolute Error） 范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越...
深度学习_损失函数(MSE、MAE、SmoothL1_loss...)
Xiaobai_rabbit0的博客
12-11 6万+
@TOC 总结对比MSE损失函数，MAE损失函数以及Smooth L1_loss损失函数的优缺点 1、常见的MSE、MAE损失函数 1.1、均方误差MSE 均方误差（Mean Square Error,MSE）是回归损失函数中最常用的误差，它是预测值f(x)与目标值y之间差值平方和的均值，其公式如下所示： 下图是均方误差值的曲线分布，其中最小值为预测值为目标值的位置。我们可以看到随着误差的增加损失函数增加的更为迅猛。 优点：MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函
【损失函数】MSE, MAE, Huber loss详解
菜鸟起飞
12-15 3万+
转载：https://mp.weixin.qq.com/s/Xbi5iOh3xoBIK5kVmqbKYA https://baijiahao.baidu.com/s?id=1611951775526158371&wfr=spider&for=pc 无论在机器学习还是深度领域中,损失函数都是一个非常重要的知识点。损失函数（Loss Function）是用来估量模型的预测值 f(x) 与真实值 y 的不一致程度。我们的目标就是最小化损失函数，让 f(x) 与 y 尽量接...
均方误差（MSE）、平均绝对误差 (MAE)
hard_gsy的博客
09-08 2388
MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度，MSE 是 ML 回归模型（例如线性回归）中常用的统计度量和损失函数。需要注意的是MSE与方差的计算公式比较相似，但它们的统计意义差别很大。
MSE和MAE分别代码怎么实现
06-03
MSE（均方误差）和MAE（平均绝对误差）是常用的回归问题评价指标，代码实现如下： ```python import numpy as np # 定义真实值和预测值 y_true = np.array([1, 2, 3, 4, 5]) y_pred = np.array([1.2, 1.8, 2.6, 3.7, 4.5]) # 计算均方误差 mse = np.mean(np.square(y_true - y_pred)) print("MSE:", mse) # 计算平均绝对误差 mae = np.mean(np.abs(y_true - y_pred)) print("MAE:", mae) ``` 输出结果为： ``` MSE: 0.30599999999999994 MAE: 0.47999999999999987 ``` 其中，`np.square()` 用于计算平方，`np.abs()` 用于计算绝对值，`np.mean()` 用于计算均值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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