机器学习中的均方根误差、均方误差、平均绝对误差、L1、L2范数介绍

最新推荐文章于 2024-04-22 09:33:12 发布
最新推荐文章于 2024-04-22 09:33:12 发布
阅读量8.9k 收藏 3
点赞数 1
分类专栏： 机器学习
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/cdlwhm1217096231/article/details/88413820
版权

1.均方根误差RMSE

  • RMSE：计算平方和的根，测量预测向量与目标值向量之间的距离，又称为欧几里得范数,L2范数
    RMSE公式

2.均方误差MSE

MSE.jpg

3.平均绝对误差MAE

  • MAE：计算绝对值的总和，对应于L1范数，又称为曼哈顿距离
    MAE公式

4.包含n个分量的向量Vk的范数定义为如下所示:

k范数.png

  • 0范数仅给出向量的基数即元素的数量
  • 无穷大范数给出向量中的最大绝对值
CurryCoder
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
评估指标-均方误差（MSE）、平均绝对误差（MAE）3D张量、2D张量、向量之间的计算区别（代码解释）
王纪刚的博客
11-02 2444
在建立模型的损失函数时，直接使用的tensorflow keras自带的MSE函数，传入的是3D张量，但是在训练的过程中，报错ValueError: operands could not be broadcast together with shapes。 查了形状方面不匹配，但是我把模型结构图片展示出来，并没有发现形状上有什么不对。考虑到是fit函数训练时出错，新加的代码只有损失那边，由于我的数据是时间序列数据所以输入时3D张量（samples, time_step, features），模型的输出也是
平均绝对值误差（L1_Loss）和 均方误差（L2_Loss）
weixin_42228294的博客
08-08 1万+
一、 Mean Absolute Error 平均绝对误差（MAE）也是一种常用的回归损失函数，它是目标值yjy_{j}yj​与预测值yj^\hat{y_{j}}yj​^​之差绝对值的和，表示了预测值的平均误差幅度，而不需要考虑误差的方向，其公式如下所示： MAE=1N∑i=1N∣yj−yj^∣ MAE= \frac{1}{N} \sum_{i =1}^{N} |y_{j} - \hat{ y_{j} } | MAE=N1​i=1∑N​∣yj​−yj​^​∣ 二、 Mean Square Error 均
损失函数笔记（1）
oneself的博客
07-12 1907
积累部分损失函数
sklearn【MAPE】平均相对误差介绍，以及案例学习！
最新发布
高级数据分析师，分享Python知识
04-22 2343
在预测任务中，评估模型的预测性能至关重要。除了常见的均方误差（MSE）和决定系数（R²）等指标外，平均百分比误差（MAPE，Mean Absolute Percentage Error）也是一个常用的评估指标。MAPE衡量了模型预测值与实际值之间的百分比误差的平均值，有助于我们了解预测的相对准确性。在Python的机器学习库sklearn中，虽然没有直接提供计算MAPE的函数，但我们可以自己编写一个简单的函数来实现这一功能。
【深度学习】4 深度学习的实践层面：方差与偏差、L2正则化、DropOut正则化
weixin_51277640的博客
09-24 355
1 引言 假设历经训练，前文所述的公司神经网络以及训练完毕，对于下属的各个意见经过开会最终都可汇聚成大boss的输出，那么如何评价这个输出的正确与否呢？或者说如何评价这个公司的执行决策神经网络的性能呢？ 2 方差和偏差 2.1 两个误差 首先明确两个概念：验证集误差和训练集误差。 这个误差，是和谁比较得出的呢？容易想到，我们神经网络训练完毕后，总代价不会是零，自然的，将训练集样本放入神经网络，得到的输出与真实值的差值即为训练集误差；同样的将验证集样本放入神经网络，得到的输出与验证集真实值的差值即为验证集误差
L1&L2，范数&损失
double_yellow的博客
05-23 2388
这里是有很大的区别的哦。而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。为什么越小的参数说明模型越简单？一种理解是：“限制了参数很小，实际上就限制了多项式某些分量大小，使分量的影响很小，这样就相当于减少参数个数”。在回归里面，有人把有它的回归叫“岭回归”（Ridge Regression），有人也叫它“权值衰减weight decay”。L2范数强大功效是改善机器学习里面一个非常重要的问题：过拟合。它是把目标值y与估计值f(x)的差值的平方和最小化。，都接近于0，但与L1范数不同，
L1和L2损失函数
gy_Rick的博客
07-09 1万+
L1和L2损失函数 文章目录L1和L2损失函数简介L1 损失函数L2 损失函数一个例子代码最后 简介 最近参加了某高校的夏令营面试，被问到一个基础的损失函数的概念，发现自己对于模式识别的掌握可以说不能再皮毛了。夏令营估计是凉了，还是老老实实总结经验好好学习为好，别搞那么多花里胡哨了。 L1 损失函数 说明：下面矩阵的维度使用规则 行 --> 维度，列 --> 样本数 L1 损失函数也叫平均绝对值误差（MAE），不妨设标签为 Y=(y1,y2,...ym)1×mY = (y1, y2, ...
RMSE（均方根误差）的matlab评价算法
05-10
在数据分析和机器学习领域，误差度量是评估模型性能的关键指标之一，而RMSE（均方根误差，Root Mean Square Error）就是其中一种常用的度量方法。本文将深入探讨RMSE的概念、计算方法以及在MATLAB环境中的实现。 ...
快速计算数组均方根误差RMSE 和RPD的程序
06-23
在数据分析和科学计算中，均方根误差（Root Mean Square Error, RMSE）和比例偏差（Relative Percentage Deviation, RPD）是两个重要的评估指标，用于衡量预测值与实际值之间的差异。本程序旨在提供一个高效的方法来...
【Matlab代码】图像去噪评价指标-峰值信噪比-均方根误差、归一化相关性.zip
05-22
程序可计算峰值信噪比、均方根误差、归一化相关性 评价去噪后的图像与原始图像的近似程度,可以用峰值信噪比来衡量。峰值信噪比( Peak Signal to Noise Ratio,PSNR)的数值越大,说明近似程度越好。峰值信噪比的定义...
向量均方根误差：计算向量均方根误差 (RMSE) 的函数-matlab开发
05-29
RM_STATISTICS。 矢量均方根误差 [Mse, Dse, stdL1, stdL2, alfa1]=RM_vec2rmse(uN, vN, uM, vM); ％ 输入% uN 是向量 N 的东向分量% vN 是向量 N 的北向分量％uM是向量M的向东分量% vM 是向量 M 的北向分量 ％ 输出% Mse 是系统误差向量的模块（统计偏差） % Dse 是系统误差向量（统计偏差）的方向，度数%（从北向顺时针） % stdL1 - 随机误差椭圆的主要半轴% stdL2 - 随机误差椭圆的次半轴% alfa1 - 随机误差椭圆的主轴方向 两个时间序列的接近度可以用均方根误差 (RMSE) 来估计。 对于向量过程，均方根误差是“可验证”和“真实”向量序列之间差异的均值平方和方差的组合。 RMSE=(mean(R))^2+((R -mrean(R))^2)/L。 向量差的均值 mea
RMSE均方根误差学习笔记
weixin_33932129的博客
10-27 1426
1.均方根误差，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。均方根误差，当对某一量进行甚多次的测量时，取这一测量列真误差的均方根差(真误差平方的算术平均值再开方)，称为标准偏差，以σ表示。σ反映了测量数据偏离真实值的程度，σ...
回归损失函数: L2 Loss
热门推荐
小花生的博客
05-07 1万+
均方误差（MSE），二次损失，L2损失 均方误差是最常用的回归损失函数，它是我们的目标变量和预测值的差值平方和。 下图是均方误差函数图，其中目标真值为100，预测值范围在-10000到10000之间。均方误差损失（Y轴）在预测值（X轴）=100处达到最小值。范围为0到∞。 摘录：https://zhuanlan.zhihu.com/p/39239829 注：博众家之所长，集群英之荟萃。 ...
回归问题常用损失函数L1Loss、L2Loss、SmoothL1Loss
weixin_44104200的博客
04-16 2536
L1范数误差(L1 loss) 代表：MAE(Mean Absolute Error, 均绝对误差)。即估计值f(x)f(x)f(x)与真实值yyy之间距离的均值。 MAE=1n∑i=1n∣f(xi)−yi∣MAE=\frac{1}{n}\sum_{i=1}^n|f(x_i)-y_i|MAE=n1​i=1∑n​∣f(xi​)−yi​∣ 优点 无论对于什么样的输入值，都有着稳定的梯度，不会导致梯度爆炸问题，具有较为稳健性的解。 对于离群点不那么敏感。因为MAEMAEMAE计算的是误差y−f(x)y−f(x)
回归问题的典型性能指标
weixin_44979900的博客
04-13 323
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 回归问题的典型性能指标前言一、均方根误差（RMSE）:2-范数二、2. 平均绝对误差（MAE）：1-范数总结 前言 本文主要记录回归问题的性能指标 一、均方根误差（RMSE）:2-范数 二、2. 平均绝对误差（MAE）：1-范数 总结 范数指标越高，它越关注大值而忽略小值。这就是RMSE对异常值比MAE更敏感的原因。但是，当离群值呈指数形式稀有时（如钟形曲线），RMSE表现非常好，通常是首选。 ...
L1范数、L2范数、MAE、MSE、RMSE的定义及其在PyTorch中的计算方式
weixin_43185874的博客
10-19 6771
一范数：元素绝对值之和 二范数：元素平方和的平方根 MAE：Mean Absolute Error，平均绝对误差 MSE：Mean Square Error，均方误差
L1、L2、Smooth L1损失函数
weixin_43082343的博客
11-13 1924
L1、L2、Smooth L1L1L2Smooth L1 L1 L1也就是平均绝对误差 Mean Absolute Error（MAE） 优点：无论对于什么样的输入值，都有着稳定的梯度，不会导致梯度爆炸问题，具有较为稳健性的解。 缺点：在中心点是折点，不能求导，不方便求解，可能得不到全局最优解。 L2 L2也就是常说的均方误差 Mean Square Error（MSE） 优点：各点都连续光滑，方便求导，具有较为稳定的解。 缺点：不是特别的稳健，当函数的输入值距离中心值较远的时候，使用梯度下降法
【深度学习】L1、L2损失 和 L1、L2正则化
u011754972的博客
08-29 3618
损失函数： L1损失：即平均绝对误差（MAE）：MAE = 1/n*∑ | yi - yi^ | L2损失：即均方误差（MSE）：MSE = 1/n*∑ (yi - yi^ )^2 正则化： L1正则化：即对权重矩阵的每个元素绝对值求和，λ * ||W|| L2正则化：即对权重矩阵的每个元素求平方和（先平方，后求和），1/2 * λ * ||W||^2 注意：正则化项不需要求平...
matlab 均方误差 均方根误差 平均绝对误差
06-28
均方根误差（Root Mean Square Error）是均方误差的平方根，它也可以用来衡量实际数据与预测结果之间的误差。其计算公式为RMSE=√（(实际值-预测值)^2/n）。 平均绝对误差（Mean Absolute Error）是另一种衡量实际...

“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