【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

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。

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）

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）

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))

4、转载自

MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）