【转载】MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）- 机器学习 - 线性回归之模型评估

最新推荐文章于 2024-10-08 00:00:05 发布

guieraxbc

最新推荐文章于 2024-10-08 00:00:05 发布

阅读量5.7k

点赞数 3

分类专栏：转载读书笔记文章标签：数据分析 python 机器学习

原文链接：https://www.cnblogs.com/gaona666/p/12302484.html

版权

读书笔记同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

转载

1 篇文章 0 订阅

订阅专栏

本文介绍了误差评估指标MSE（均方误差）、RMSE（均方根误差）和MAE（平均绝对误差）。通过具体实例展示了如何使用Python的sklearn库计算这三个指标，并讨论了它们在预测模型中的应用和意义。误差越大，MSE和RMSE值越高，而MAE则直接反映绝对误差的平均值。

摘要由CSDN通过智能技术生成

MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）

1、MSE（均方误差）（Mean Square Error）

MSE是真实值与预测值的差值的平方然后求和平均。
在这里插入图片描述

范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大。

import numpy as np
from sklearn import metrics
y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.5, 5.0, 8.0, 4.5, 1.0])
print(metrics.mean_squared_error(y_true, y_pred)) # 8.107142857142858

2、RMSE （均方根误差）（Root Mean Square Error）

在这里插入图片描述

import numpy as np
from sklearn import metrics
y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.5, 5.0, 8.0, 4.5, 1.0])
print(np.sqrt(metrics.mean_squared_error(y_true, y_pred)))

3、MAE （平均绝对误差）（Mean Absolute Error）

在这里插入图片描述

import numpy as np
from sklearn import metrics
y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.5, 5.0, 8.0, 4.5, 1.0])
print(metrics.mean_absolute_error(y_true, y_pred))