回归问题评价指标

最新推荐文章于 2025-03-15 22:43:27 发布
最新推荐文章于 2025-03-15 22:43:27 发布
阅读量3.4k 收藏 33
点赞数 24
分类专栏： 评价指标
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/ZZ_Panda/article/details/118704516
版权
本文详细介绍了回归问题的评价指标，包括MAE、MSE、RMSE、MAPE、MSLE、MedAE和R Squared。MAE和MSE对异常值敏感，而RMSE是MSE的平方根。MAPE是相对误差，MSLE适用于有较大误差的样本。MedAE通过中值衡量误差。R Squared评估模型拟合优度，值越接近1表示模型越好。这些指标有助于模型改进和调参。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

平均绝对值误差（MAE）

均方误差（MSE）

均方根误差（RMSE）

平均绝对百分比误差(MAPE)

均方误差对数(MSLE)

中位绝对误差(MedAE)

R Squared

总结

回归模型：n 个样本，每个样本为 (x_{i},y_{i})，预测值为\hat{y_{i}}，i\in{1,2,\cdots ,n}.

平均绝对值误差（MAE）

计算每一个样本的预测值和真实值的差的绝对值，然后求和再取平均值。这个指标是对绝对误差损失的预期值。MAE对极端值比较敏感，即MAE 对异常值更加稳健，因为它不使用平方。

MAE=\frac{1}{n}\sum_{i=1}^{n}|y_{i}-\hat{y_{i}}|

#公式法
MAE_1 = np.mean(abs(y_test - prediction))
print(MAE_1)

#使用sklearn.metrics模块
from sklearn.metrics import mean_absolute_error
MAE_2 = mean_absolute_error(y_test,prediction)
print(MAE_2)

均方误差（MSE）

（Mean Squared Error）计算每一个样本的预测值与真实值差的平方，然后求和再取平均值。该指标对应于平方(二次)误差的期望。是线性回归的损失函数，在线性回归的时候我们的目的就是让这个损失函数最小。受到异常值的影响很大。

MSE=\frac{1}{n}\sum_{i=1}^{n}{(y_{i}-\hat{y_{i}})}^{2}


                

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        


    


                



	

		

			

				
					
原创 | 常见损失函数和评价指标总结（附公式&代码）

				
			

			

				

					数据派THU
				

				

					04-21
					
					4224
					
				

			

		

		

			
				
作者：董文辉本文长度为4500字，建议阅读10+分钟本文为你总结常见损失函数和评价指标。目录一、损失函数1.1 回归问题1.2 分类问题二、评价指标2.1 回归问题2.2 分类问题参考资...

			
		

	



                

            
              



	

		

			

				
					
损失函数与评价函数

				
			

			

				

					Thoth_A的博客
				

				

					03-01
					
					734
					
				

			

		

		

			
				
4.1 学习目标
掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；
掌握评价/损失函数的实践；
4.2 TP TN FP FN
在讲解语义分割中常用的评价函数和损失函数之前，先补充一**TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negative)**的知识。在分类问题中，我们经常看到上述的表述方式，以二分类为例，我们可以将所有的样本预

			
		

	



              


  
              

                


	

		

			

				
					
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记

				
			

			

				

					菊头蝙蝠的博客
				

				

					02-27
					
					1059
					
				

			

		

		

			
				
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记4 评价函数与损失函数4.1 学习目标4.2 TP TN FP FN4.3 Dice评价指标4.4 IoU评价指标4.5 BCE损失函数4.6 Focal Loss4.7 Lovász-Softmax4.8 参考链接4.9 本章小结4.10 课后作业
4 评价函数与损失函数
4.1 学习目标

掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；
掌握评价/损失函数的实践；



			
		

	





	

		

			

				
					
【scikit-learn】sklearn.metrics.mean_absolute_percentage_error() 函数：回归模型评估指标 平均绝对百分比误差（MAPE）

					
最新发布

				
			

			

				

					彬彬侠的博客
				

				

					03-15
					
					927
					
				

			

		

		

			
				
mean_absolute_percentage_error（MAPE，平均绝对百分比误差）是sklearn.metrics提供的一个回归模型评估指标，用于计算预测值相对于真实值的平均绝对百分比误差。适用于衡量误差的相对大小，但不适用于真实值可能为0的情况。可与MAE、MSE、RMSE、R²结合使用，以更全面评估模型。

			
		

	



		

			
		



	

		

			

				
					
回归问题的评价指标

				
			

			

				

					weixin_43786241的博客
				

				

					11-11
					
					2800
					
				

			

		

		

			
				
回归问题的评价指标有很多，这里一一进行详细分类：
点对点误差
MSE均方误差
        MSE(Mean Square Error)：

        均方误差描述了样本真实值与预测值差方求和的平均值，在机器学习中，利用均方误差最小化优化模型的方法称为“最小二乘法”
RMSE
        RMSE（Root Mean Square Error）即对MSE开平方根：

MAE平均

			
		

	





	

		

			

				
					
【机器学习】损失函数MAE

				
			

			

				

					littlemichelle
				

				

					08-22
					
					7943
					
				

			

		

		

			
				
RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）、SD（标准差）

RMSE（Root Mean Square Error）均方根误差
衡量观测值与真实值之间的偏差。

常用来作为机器学习模型预测结果衡量的标准。



MSE（Mean Square Error）均方误差
MSE是真实值与预测值的差值的平方然后求和平均。

通过平方的形式便于求导，所以常被用作线性回归的损失函数。...

			
		

	





	

		

			

				
					
机器学习中回归模型六大评价指标

				
			

			

				

					dylan_young的博客
				

				

					11-09
					
					5174
					
				

			

		

		

			
				
文章目录一、机器学习中，回归问题的六大评价指标是什么？二、六大评价指标都代表什么含义？如何进行模型评价？总结引用文章链接：

一、机器学习中，回归问题的六大评价指标是什么？
	回归问题五大评价指标分别为 
	皮尔逊相关系数，
	解释方差分数（explained_varience_score），
	平均绝对误差（mean_absolute_error），
	均方差(mean_square_error)， 
	r2分数（r2_score） 
	和 调整r2分数（r2_score_adjust）

二、六大评价.

			
		

	





	

		

			

				
					
机器学习进行回归任务的评价指标

				
			

			

				

					weixin_57332529的博客
				

				

					08-09
					
					1514
					
				

			

		

		

			
				
在不同类型的回归任务中选择最合适的评价指标，需要根据具体任务的需求和数据的特性来决定

			
		

	





	

		

			

				
					
Python 线性回归分析以及评价指标详解

				
			

			

				

					09-17
				

			

		

		

			
				
### Python 线性回归分析及其评价指标详解  在机器学习领域中，线性回归是一种基本且常用的预测方法，主要用于连续变量之间的关系分析。本文将详细介绍如何使用Python进行线性回归分析，并通过sklearn库来实现。此外...

			
		

	





	

		

			

				
					
机器学习中回归问题的性能指标

				
			

			

				

					weixin_57038791的博客
				

				

					11-19
					
					1640
					
				

			

		

		

			
				
一般评价指标主要有：MSE(平均平方误差)、RMSE(平方根误差)、MAE（平均绝对误差）、R2_score。

			
		

	





	

		

			

				
					
keras中  损失函数 与 评价函数 详解

				
			

			

				

					Elvirangel的博客
				

				

					05-06
					
					5618
					
				

			

		

		

			
				
1. 损失函数 loss

损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一：


model.compile(loss='mean_squared_error', optimizer='sgd')



from keras import losses

model.compile(loss=losses.mean_squared_error, optimizer='s...

			
		

	





	

		

			

				
					
损失函数公式

				
			

			

				

					qq_40149035的博客
				

				

					08-15
					
					310
					
				

			

		

		

			
				
1.损失函数：单个样本的差异
2.代价函数：所有样本的差异求平均
3.目标函数：代价函数+正则化（一些约束条件）



			
		

	





	

		

			

				
					
各个算法的损失函数

				
			

			

				

					weixin_41791402的博客
				

				

					10-05
					
					1171
					
				

			

		

		

			
				
1、平方和损失函数(square loss):L(yi,f(xi)) = (yi- f(xi))2,常用于回归中如最小二乘，权重可直接初始化，再通过梯度下降不断更新。

2、铰链损失函数(Hing loss): L(mi) = max(0,1-mi(w)),常用于SVM中，在SVM损失函数表示为：

L(y(i),x(i)) = max(0,1-y(i)f(x(i)))

3、对数损失...

			
		

	





	

		

			

				
					
损失函数

				
			

			

				

					qq_37255629的博客
				

				

					01-08
					
					199
					
				

			

		

		

			
				
损失函数
标签（空格分隔）： Tensorflow

均方误差  （mean square error）：
E=12∑k(yk−tk)2E=\frac{1}{2}\sum_{k}{(y_k-t_k)}^2E=21​∑k​(yk​−tk​)2

yky_kyk​: 神经网络的输出
tkt_ktk​: 监督数据
kkk： 数据的维数

交叉熵误差（cross entropy error）：
E=−∑k...

			
		

	





	

		

			

				
					
损失函数（Loss Function）

				
			

			

				

					幼儿园大哥~
				

				

					06-10
					
					998
					
				

			

		

		

			
				
损失函数或代价函数是将随机事件或其相关随机变量的取值映射为非负实数的函数，以表示该随机事件的“风险”或“损失”。在机器学习中，损失函数通常用于优化算法，通过改变模型参数来最小化损失函数，从而达到最优化的效果。损失函数是机器学习中的核心概念，通过选择合适的损失函数并最小化其值，可以提高模型的预测性能和准确性。在实际应用中，需要根据问题类型、模型特性和数据特性等因素来综合考虑选择何种损失函数。

			
		

	





	

		

			

				
					
损失函数（loss function）

				
			

			

				

					lrt366的博客
				

				

					03-27
					
					7097
					
				

			

		

		

			
				
损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子： 其中，前面的均值函数表示的是经验风险函数，L代表的是损失函数，后面的是正则化项（...

			
		

	





	

		

			

				
					
回归评价指标

				
			

			

				

					never0822的博客
				

				

					12-11
					
					647
					
				

			

		

		

			
				
RMSE（均方根误差）

			
		

	





	

		

			

				
					
损失函数loss

					
热门推荐

				
			

			

				

					皮皮blog
				

				

					04-12
					
					2万+
					
				

			

		

		

			
				
http://blog.csdn.net/pipisorry/article/details/23538535

监督学习及其目标函数

 损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。

损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部...

			
		

	





	

		

			

				
					
数据回归问题评价指标

				
			

			

				

					09-14
				

			

		

		

			
				
在Python中处理数据回归问题时，我们通常使用一系列评价指标来评估模型的性能。这些指标帮助我们理解模型对数据拟合程度的好坏以及预测的准确性。以下是一些常见的数据回归问题评价指标：

1. **均方误差（Mean Squared Error, MSE)**: 计算实际值和预测值之间的平均平方差，数值越小表示模型预测越准确。
   ```python
   from sklearn.metrics import mean_squared_error
   mse = mean_squared_error(y_true, y_pred)
   ```

2. **均方根误差（Root Mean Squared Error, RMSE)**: RMSE是对MSE的平方根，也是衡量预测值与真实值之间差距的标准偏差形式，更易于解读。
   ```python
   rmse = np.sqrt(mean_squared_error(y_true, y_pred))
   ```

3. **R²得分（Coefficient of Determination, R^2 或者 R-squared）**: 又称决定系数，范围从0到1，值越大表示模型解释了数据变异性的比例越高。
   ```python
   from sklearn.metrics import r2_score
   r2 = r2_score(y_true, y_pred)
   ```

4. **平均绝对误差（Mean Absolute Error, MAE）**: 平均预测值与真实值绝对差的平均数，比RMSE对异常值更不敏感。
   ```python
   mae = mean_absolute_error(y_true, y_pred)
   ```

5. **对数似然（Log-Likelihood）**: 对于线性回归，这可能是不太常用的指标，但对于非线性模型如逻辑回归或指数回归，它是适用的。

6. **残差分析（Residual Plots）**: 检查残差图可以帮助判断模型是否满足假设（如线性关系、正态分布等）。

选择哪个指标取决于具体问题的性质和需求，例如，如果关心的是模型的整体精度，那么RMSE或MAE可能更好；如果重视模型的拟合优度，则R²分数更有用。在实际应用中，常常结合多个指标进行综合评估。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      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