深度学习——时间序列模型评价指标总结

大Y老师：小X，你做的这个时间序列模型用什么指标评价啊？

小X 直接把这篇甩给老师：老师您看哪个指标顺眼，就选哪个指标~

---

最近在实现基于深度学习的时间序列模型时，需要对模型进行评价，总结了一些常用的和不常用的评价指标，还有相关概念的辨析。

上面是玩笑话，在对模型进行评价时，要根据实际的数据特征和指标特性进行选择。

和方差

SSE（the sum of squares due to error），是观测值（observed values）与预测值（predicted values）的误差的平方和，公式为：
$$SSE(y,\hat{y})=\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

均方误差

MSE（mean squared error），是观测值（observed values）与预测值（predicted values）的误差的平方和的均值，即SSE/n。它是误差的二阶矩，包含估计量的方差（variance）及其偏差（bias），是衡量估计量质量的指标，其公式为：
$$MSE(y,\hat{y})=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

均方根误差

RMSE（root mean squared error），也称作RMSD(root mean square deviation)，是MSE的算数平方根。由于每个误差（each error）对RMSD的影响与误差的平方（squared error）成正比，因此较大的误差会对RMSE影响过大，RMSE对异常值很敏感。其公式为：
$$RMSE(y,\hat{y})=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i}$$