RSME,MSE,R2等指标的解释与思考

最新推荐文章于 2024-07-17 17:13:36 发布
最新推荐文章于 2024-07-17 17:13:36 发布
阅读量2.7w 收藏 37
点赞数 8
分类专栏： 统计
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/einsam0/article/details/81703301
版权

最近做一个算法，直接算法中就计算了一个叫做RMSE的值，开始出来我以为是准确率，类似于，clf.score，后来想想好像不对，所以就看来一些文章来研究了一下这些的含义。

预测值和真值相差的平方和是SSE,也就是误差平方和，这肯定是越小越好了，相当于一个误差累计。当然这个SSE越接近于0越好。

 但是，如果说10000的样本的情况，建立一个A模型，这个模型的SSE是100，100个样本的情况下，建立一个B模型，这个模型的SSE是80。但是不能说B模型比A模型好。所以就引入了MSE。

MSE就是均方误差，SSE除以样本量，平均的预测的值和真值差的平方，平均到每一个预测的Y

MSE的值在量纲上是平方，为了是这个量纲一致，所以对MSE开方就是RMSE，也就是均方根。

解释R2之前要解释一些SST和SSR

SSR表示的是预测值和原始值得均值差得平方和

SST表示得是原始数据和均值的差的平方和

所以R2，也就是R-square，可以经过公式推导得出SST=SSE+SSR

其实我们将R2写开

还可以这样表示。R2的范围在0-1之间，越接近1，表示越好，一般衡量线性回归最好的指标应该就是R2，通常表示模型你好的好坏。对R2开根号，就是R，也就是相关系数，也是越近1越好。

上面计算真值和预测值之间的误差都是做差求平方和，如果将平方和换成取绝对值，也就是MAE,RMAE,也就是不是square，变为absolute.

 

 

Einsam0
关注
专栏目录
RSME的一个案例
04-01
RSME的一个案例.rar 介绍了关于RSME的一个案例的详细说明，提供其它知识的技术资料的下载。
【0006day】R方、P值和RSME
qq_45697428的博客
05-22 1757
R方的含义是，预测值解释了 yi 变量的方差的多大比例，衡量的是预测值对于真值的拟合好坏程度。通俗理解，假定 yi 的方差为1个单位，则R方表示"使用该模型之后， yi 的残差的方差减少了多少"。本文总结了对R方的理解和用法，遵循“从一般到特殊”的思路，先讲一般回归模型中的R方，再讲线性回归模型里的R方。R方=0：一种可能情况是"简单预测所有y值等于y平均值"，即所有 y^i 都等于y¯（即真实y值的平均数），但也有其他可能。R方<0：模型预测能力差，比"简单预测所有y值等于y平均值"的效果还差。
回归分析与回归分析中的 R 平方
最新发布
weixin_42219192的博客
07-17 976
方便的是，在观察吸烟的影响时，您也在控制咖啡摄入量。另一方面，真实实验中的随机化过程往往会平均分配这些变量的影响，从而减少遗漏变量偏差。智商系数表明，在控制模型中的其他所有变量的情况下，每增加一个智商点，您的收入平均增加约 4.80 美元。幸运的是，如果 R 平方值较低但独立变量具有统计显著性，您仍然可以得出有关变量之间关系的重要结论。乍一看，R 平方似乎是一个易于理解的统计数据，它表明回归模型与数据集的拟合程度。高 R 2是实现精确预测的必要条件，但仅靠 R 2 是不够的，我们将在下一节中揭示这一点。
【科研】常用的实验结果评价指标（1） —— R2(R-square)是什么？
S数据菜菜的博客
05-10 1万+
各类论文的实验结果中经常会有R2作为评价指标，本篇就是为了搞清楚R2究竟是什么，什么时候能用，什么时候不能用。
机器学习9衡量线性回归法的指标，MSE,RMS,MAE
m0_57297999的博客
12-05 1493
衡量线性回归法的指标之一，就是这么一个衡量标准，让误差和尽可能小，但是这里有一个问题就是m的大小会对衡量造成影响，因此此处引入 MSE均方误差（Mean Squared Error）、 RSE均方误差（Root Mean Squared Error）、 平均绝对误差MAE（Mean Absolute Error） 在解决分类问题的时候，我们评价分类的准确度1代表最好0代表最差，取值在0-1之间；MSE RMSE MAE没有这样的性质，我们无法判断算法准确度的优劣，这就是以上三种方法的局限性；RSqua
相关性、平均值、标准差、相关系数、回归线及最小二乘法
热门推荐
胡杰的专栏
01-20 8万+
平均值、标准差、相关系数、回归线及最小二乘法  相关性 线性相关 数据在一条直线附近波动，则变量间是线性相关 非线性相关 数据在一条曲线附近波动，则变量间是非线性相关 不相关 数据在图中没有显示任何关系，则不相关   平均值 N个数据 的平均值计算公式：       标准差 标准差表示了所有数据与平均值的平均距离，表示了数据的散度，如果标准差小，表示数据
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 8779
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。误差越大，该值越大。所以要想决定系数R2越接近1，必须满足MSE越小，也就是真实值与预测值相差不大，也就是模型拟合程度高，同时var方差越大，也就是我们的样本离散程度大，对应的我们实际采样过程中，就是要求样本是随机性，以及全面性，覆盖度广。方差(variance)的计算公式：S2=1/n [(x1-X)2+(x2-X)2+(x3-X)2+…
图像质量评价MSE，SNR等指标（附Matlab代码）.pdf
05-17
《图像质量评价指标详解：MSE，SNR及其Matlab实现》 图像质量评估是数字图像处理领域中的重要环节，通常我们通过比较处理后的图像与原始图像的差异来量化其质量。本文主要介绍两种常见的有参照图像评价指标——平均...
基于卷积神经网络(CNN)时间序列预测 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替
08-25
1. R2分数（决定系数）：衡量模型预测值与实际值之间的相关程度，1表示完全拟合，0表示模型预测与随机预测无异，负值表示模型表现更差。 2. 均方误差（MSE）：计算预测值与实际值之间差的平方的平均值，数值越小...
基于卷积神经网络CNN时间序列预测，单维时间序列预测 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高
12-28
1. R2得分（决定系数）：R2值范围在0到1之间，表示模型预测值与实际值的吻合程度，1表示完全拟合，0表示模型不比简单平均效果好。 2. 均方误差（Mean Absolute Error, MAE）：衡量模型预测值与真实值的平均偏差，越...
基于卷积神经网络(CNN)数据回归预测，MATLAB代码 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量
08-25
1. **R2（决定系数）**：表示模型预测值与实际值之间的相关程度，范围在0到1之间，1表示完美拟合，0表示模型预测与实际无关。 2. **MAE（平均绝对误差）**：衡量模型预测误差的平均绝对值，越小表示模型性能越好。 3...
图像质量评价MSE，SNR等指标（附Matlab代码）.docx
05-14
在本文档中，我们关注了几个关键的评价指标，包括平均绝对误差（MAE）、均方误差（MSE）、归一化均方误差（NMSE）以及信噪比（SNR）和峰值信噪比（PSNR），并且提供了相应的Matlab实现代码。 1. 平均绝对误差（MAE...
使用Excel进行线性回归、计算R2、RMSE、MAE等精度方法
Einzebrn的博客
12-19 1万+
对模型精度进行评价，采用决定系数（Coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Square Error，MSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）等五个特征指标进行比较，指标公式见下文。的输入区域，要选择右边红框的按钮选择序列中的数据，而不能用ctrl选择首尾；
RMS(均方根)的简单了解
qq_53679622的博客
10-07 5663
RMS(均方根)的简单了解。
【图像重建指标 Metrics】均方误差RMSE及平均绝对误差MAE的定义和区别
TomRen
09-18 1万+
RMSE和MAE能很好的反应图像的重建结果与真实结果间的差异。
关于MAE，MSE，RMSE，R2—Square解释
m0_56270892的博客
05-17 1064
关于MAE，MSE，RMSE，R2—Square解释
[机器学习与scikit-learn-51]：模型评估-图解回归模型的评估指标MSE、MAE、RMSE、R2、RSS与代码示例
文火冰糖（王文兵）的博客
04-26 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 前言： 第1章 残差residual error 1.1 残差的定义 1.2 残差的数学表达式 1.3 残差计算的几何图形 1.4 残差数值的几何图形 1.5 残差分析 1.6 残差的意义： 第2章 平均绝对误差（mean absolute error, MAE）- L1损失 2.1 概述 2.2 MAE的数学表达式 2.3 MAE误差的几何含义 2.4 MAE的函数图
拟合优度R2
qq_41598736的博客
05-07 3万+
决定系数(拟合优度)的相关概念 拟合优度定义近期做多元回归分析拟合工作中，在进行线性拟合时，决定系数（又称拟合优度）上不去（卡在0.3左右）一直是困扰工作进度的一个大问题。在经过多元高阶多项式和指数多项式等方法尝试后，虽有一定提高（达到0.4左右）但仍无法达到满意程度。因此开始尝试非常规的智能算法拟合。经尝试，用BP神经网络进行拟合发现拟合优度一下涨至0.7，而经改进，采用双隐含层BP神经...
【机器学习】回归误差：MSE、RMSE、MAE、R2、Adjusted R2 +方差、协方差、标准差(标准偏差/均方差）、均方误差、均方根误差(标准误差)、均方根解释
Allen . Liu
11-26 2万+
我们通常采用MSE、RMSE、MAE、R2来评价回归预测算法。 1、均方误差：MSE（Mean Squared Error） 其中，为测试集上真实值-预测值。 def rms(y_test, y): return sp.mean((y_test - y) ** 2) 2、均方根误差：RMSE（Root Mean Squard Error） 可以看出，RMSE=sqrt（MS...
mse、mae、rmse、mape与r2分析
08-05
### 回答1： MSE（Mean Squared Error）是均方误差，是预测值与实际值差异的平方的平均值，用于衡量回归模型的精度，数值越小越好。 MAE（Mean Absolute Error）是平均绝对误差，是预测值与实际值差异的绝对值的平均值，同样也用于衡量回归模型的精度，数值越小越好。 RMSE（Root Mean Squared Error）是均方根误差，是MSE的平方根，也是用于衡量回归模型的精度，数值越小越好。RMSE比MSE更为常用，因为RMSE的单位与实际值的单位相同，更容易理解。 MAPE（Mean Absolute Percentage Error）是平均绝对百分比误差，是预测值与实际值差异的绝对值占实际值的比例的平均值，用于衡量回归模型的精度，数值越小越好。 R2（R-squared）是决定系数，用于衡量回归模型的拟合程度，其取值范围在0到1之间。R2越接近1，表示模型的拟合程度越好，越接近0，表示模型的拟合程度越差。 ### 回答2： MSE（Mean Squared Error）代表均方误差，是回归模型中常用的性能评估指标之一。它计算了预测值与真实观测值之间的差异的平均平方值，通过对差异取平方，更加重视大误差。MSE的值越小，表示模型的拟合效果越好。 MAE（Mean Absolute Error）代表平均绝对误差，也是衡量回归模型性能的指标之一。它计算了预测值与真实观测值之间的差异的绝对值的平均值，对误差的大小没有指数级的放大效果。MAE的值越小，表示模型的预测精度越高。 RMSE（Root Mean Squared Error）是MSE的平方根，它消除了MSE的平方后放大误差的影响，使得误差量值与原始观测值在同一量级上。RMSE的值越小，表示模型的预测精度越高。 MAPE（Mean Absolute Percentage Error）是平均绝对百分比误差，用于衡量预测值与真实观测值之间的百分比误差的平均值。它可以量化预测值的相对误差大小。MAPE的值越小，表示模型的预测精度越高。 R2（R-squared）也被称为决定系数，用于衡量回归模型对观测值波动的解释程度。它的取值范围从0到1，越接近1表示模型对数据的拟合度越好。R2等于0时，表示模型无法解释观测值的波动；R2等于1时，表示模型能完全解释观测值的波动。 ### 回答3： 1. MSE（Mean Squared Error，均方误差）是回归问题中常用的评估指标之一。它的计算方法是将预测值与真实值之间的差值平方后求平均，可以理解为预测值与真实值之间的平均差异的平方。MSE越小越好，当预测值与真实值完全一样时，MSE为0。 2. MAE（Mean Absolute Error，平均绝对误差）也是回归问题常用的评估指标之一。它的计算方法是将预测值与真实值之间的差值取绝对值后求平均，可以理解为预测值与真实值之间的平均差异的绝对值。同样，MAE越小越好，当预测值与真实值完全一样时，MAE为0。 3. RMSE（Root Mean Squared Error，均方根误差）是MSE的平方根。它的计算方法与MSE类似，但是对误差进行开根号，可以理解为预测值与真实值之间的平均差异的平方根。RMSE同样越小越好，当预测值与真实值完全一样时，RMSE为0。 4. MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）是一个比较常用的百分比误差评估指标。它的计算方法是将预测值与真实值之间的差值取绝对值后除以真实值，然后求平均。MAPE越小越好，当预测值与真实值完全一样时，MAPE为0。 5. R2（R-squared，决定系数）是回归问题中常用的评估指标之一。它的计算方法是通过比较预测值和真实值之间的差异来评估模型的拟合程度。R2的取值范围在0到1之间，当R2越接近1时，说明回归模型的拟合效果越好，当R2为1时，说明模型完全拟合了数据。 综上所述，MSE、MAE、RMSE、MAPE和R2都是常用于评估回归模型的指标，不同的指标有不同的计算方法和解释方式，我们可以根据实际问题的需求选择合适的指标来评估模型的性能。
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