回归问题评价指标

最新推荐文章于 2024-08-09 12:44:11 发布

ZZ_Panda

最新推荐文章于 2024-08-09 12:44:11 发布

阅读量2.9k

点赞数 2

分类专栏：评价指标

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。

摘要由CSDN通过智能技术生成

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

ZZ_Panda

关注

2
点赞
踩
19

收藏

觉得还不错? 一键收藏
1
评论
回归问题评价指标

回归模型：个样本，每个样本为，预测值为，.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。#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_errorMAE_2 = mean_absolute..
复制链接

扫一扫

专栏目录