预测算法模型_如何测量预测模型或算法的准确性第1部分。

最新推荐文章于 2023-05-25 15:44:08 发布

dfsgwe1231

最新推荐文章于 2023-05-25 15:44:08 发布

阅读量4k

点赞数 3

文章标签：算法 python 机器学习人工智能 java

原文链接：https://hackernoon.com/how-to-measure-the-accuracy-of-a-predictive-model-or-algorithm-part-1-6a6c00c38687

版权

本文介绍了评估预测模型准确性的四个关键指标：平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对比例误差(MASE)。通过理解这些误差度量，可以更好地评估模型的性能，尤其是在处理不同范围的数据时。MASE提供了一个模型与朴素模型比较的基准，帮助判断模型是否优于简单地使用历史数据进行预测。

摘要由CSDN通过智能技术生成

预测算法模型

在开发预测模型和算法时，无论是线性回归模型还是ARIMA模型，重要的是量化模型对未来观测的适应程度。计算模型的正确性的最简单方法之一是使用预测值和实际值之间的误差。从那里开始，有几种方法可以利用这种差异并从中进一步挖掘含义。量化算法的准确性是证明产品中使用该算法的重要步骤。

我们将使用R编程语言中的函数精度作为基础。您可能会注意到，输出如下所示，其中有几个缩写似乎不太友好。我们将在下面介绍其中的一些内容。此外，您可以观看我们在R Studio中以视频格式解释相同的错误！

平均绝对误差（MAE）

平均绝对误差是较容易理解的误差之一。它取实际值与预测值之间的绝对差并找到平均值。查找绝对值很重要，因为它不允许以任何形式取消错误值。例如，如果要取平均值1和-1，则平均值将为0，因为1和-1本质上会相互抵消。

为了避免这种情况，我们使用绝对值。现在，我们想演示如何在数学上和使用SQL查找MAE。您可以对SQL使用以下公式，它将找到与MAE相同的值。另外，我们认为它可以简化您在下一张图片中看到的所有复杂数学符号。

平均（Abs（实际—预测））

均方根误差（RMSE）

均方根误差似乎有点类似于MAE。它们都采用实际值与预测值之差。但是，RMSE也会对差值求平方，求出所有平方的平均值，然后求平方根。现在看来，平方运算然后取平方根的动作可能会相互抵消。事实并非如此。 RMSE本质上惩罚较大的错误。另一种表达方式是，它对较大的错误施加了更大的权重。

例如，让我们比较下面的两个表。如果您注意到，表1和表2的MAE和RMSE几乎相同。但是，即使误差增加仅为1，这两个值之间的差也会变得稍大，如第一行所示。如果错误是5、6或另一个更大的数字，则RMSE和MAE之间的差异会更大。这是因为您将数字平方。这会在基数中产生指数变化。因此，误差差1对每次增加都会产生更大的影响，例如从（3到4，然后从4到5）。这就是为什么它实质上惩罚较大的错误的原因。

以下再次是RMSESQL和数学符号。

Sqrt（平均（功率（实际-预测）））

平均绝对百分比误差（MAPE）

RMSE和MAE可能会遇到的一个问题是，这两个值可能只是变成一个很大的数字，实际上并不能说明所有问题。 RMSE 597是什么意思？那有多坏？部分原因是因为您需要将其与其他模型进行比较。另一个问题是，RMSE将基于实际值和预测值的差异，这取决于您的数据可能在非常不同的范围内。例如，如果您正在为一个十亿美元的公司创建模型，那么您的错误将比仅收入六位数的公司的错误大得多。

在这种情况下，平均绝对百分比误差是一个好方法，因为它是相对于实际值的误差百分比。这提供了更多的标准化错误度量。例如，如果误差为10并且实际值为100，则该百分比将为10％，而如果误差为100并且实际值为1000，则度量仍为10％。

这提供了比RMSE和MAE更多的上下文，可以帮助更好地解释模型的准确性。

下面列出了SQL和数学符号

平均（Abs（实际预测）/ Abs（实际））* 100