《美团机器学习实践》学习笔记：机器学习中的模型评价指标（二）——回归模型评估

最新推荐文章于 2022-07-15 17:15:40 发布
最新推荐文章于 2022-07-15 17:15:40 发布
阅读量458 收藏
点赞数
分类专栏： 机器学习 机器学习理论及应用
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/qq_24034545/article/details/88663799
版权
本文是《美团机器学习实践》的学习笔记，主要介绍了回归模型的评估指标，包括平均绝对误差(MAE)及其加权形式(WMAE)，平均绝对百分误差(MAPE)，均方根误差(RMSE)以及均方根对数误差(RMSLE)。这些指标用于衡量预测值与真实值之间的偏差，其中MAE对中值拟合，RMSE关注大误差，RMSLE更侧重于惩罚预测偏低的情况。
摘要由CSDN通过智能技术生成

平均绝对误差（Mean Absolute Error, MAE）

也称L1范数损失，计算公式如下：

                                                                 MAE=\frac{1}{N}\sum^{N}_{i=1}\left | y_i-p_i \right |

其中N为样本数，y_i是真实值，p_i是预测值。

MAE可以很好的刻画预测值与真实值的偏差。模型使用MAE作为损失函数则是对数据分布的中值进行拟合。

与之相似的是加权平均绝对误差（Weighted Mean Absolute Error, WMAE），计算公式如下：

                                                               

最低0.47元/天 解锁文章
另一个我竟然存在
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
回归模型的评估标准
少年一贯快马扬帆，道阻且长不转弯； 要盛大，要绚烂，要哗然； 要用理想的泰坦尼克，去撞现实的冰川； 要当烧赤壁的风，而非借鉴草船； 要为了一片海，就肯翻万山。
03-29 1218
回归模型的评估值为MAE (平均绝对误差)、MSE (均方误差)、RMSE (均方根误差)。 上述3个误差值是指评分真实值与预测值之间的误差，在多次建模的过程中，每一次建模结果都会产生一组误差值，评判一个回归模型好坏的方法就是看这三个误差值是否变小或者变大，误差值越小表示回归模型越好. 平均绝对误差MAE(mean absolute error) 均方误差MSE(mean squared error) 均方根误差RMSE(root mean squared error) ...
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 6669
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
机器学习——需求预测——准确性（误差）统计——MAE、MSE、MAPE、WMAPE
huangguohui_123的博客
11-21 2万+
误差指标 公式（为预测值，为真实值） 特点 缺点 MAE 1、易受真实值量纲上的差别带来的影响 MSE 1、加倍惩罚极端误差 1、易受真实值量纲上的差别带来的影响 2、极端值的影响 MAPE WMAPE 一、平均绝对误差(Mean Absolute Error，MAE) 其中，为预测值，为真实值。 由于...
MAPE(Mean Absolute Percentage Error)和WMAPE有何不同，为什么用WMAPE来评估销量预测
三丰的专栏
02-18 1万+
MAPE(Mean Absolute Percentage Error)是用来做销量预测最常用的指标，在实际的线上线下销量预测中有着非常重要的评估意义。但是在实际的项目过程中发现，有些时候的指标并不能非常好的表示模型拟合的效果，因此对这部分进行了深入分析，发现有更优化的评价指标来度量销量预测问题。 MAPE公式如下： 分别为真实值和预测值。 但是，这个指标存在两个问题： ...
选择正确的错误度量标准：MAPE与sMAPE的优缺点
deephub
11-04 1万+
MSE，RMSE，MAE，MAPE，sMAPE…等等有大量不同的错误度量标准，每个错误度量标准都有其优点和缺点，并且涉及的案例比以前更多。 那么，如何决定要为我们的项目使用哪种指标呢？ 我相信回答这个问题的关键是了解这些最流行的度量标准的优势和局限性。这样，我们就可以选择最适合手头任务的度量标准。这就是为什么在本文中我将介绍我最近使用的两个度量标准。 MAPE 平均绝对百分比误差（Mean Absolute Percentage Error） 平均绝对百分比误差是用于评估预测性能的最受欢迎的指标之一。 由
美团机器学习实战笔记（一）
tengchengtu4139的博客
08-19 734
美团机器学习实战笔记（一） 第一章：问题建模 1.1 评估指标 评估指标根据任务类型分类，可分为分类指标、回归指标、聚类指标和排序指标等 1.1.1 分类指标 1.精确率和召回率：多用于二分类问题可结合棍淆矩阵介绍 其中： 理想情况下，精确率和召回率两者都越高越好，然而事实上这两者在某些情况下是矛盾的: 精确率高时\召回率低;而精确率低时，召回率高。 此外，准确率和错误率也是常用的评估指标：...
《美团机器学习实践》学习笔记：机器学习中的模型评价指标（一）——分类模型评估
qq_24034545的博客
03-01 495
对数损失函数（log loss）：分类问题的输出结果是每个类别的概率，log-loss的输出的概率就表示其所属的类别的置信度。 对于二分类问题，log loss的计算公式为： 其中N代表样本数量，代表第i个样本的真实值（0或1），代表第i个样本为1的概率。 对于多分类问题...
人工智能、机器学习、深度学习从入门到进阶学习资料整理
the_cleaner的博客
04-01 795
AI方面的学习资料，包含了学习社区、入门教程、汲取学习、深度学习、自然语言处理、计算机视觉、数据分析、面试和书籍等方面的知识。
机器学习、深度学习、神经网络学习资料集合(开发必备)
henhenha的博客
04-01 656
AI方面的学习资料，包含了学习社区、入门教程、汲取学习、深度学习、自然语言处理、计算机视觉、数据分析、面试和书籍等方面的知识。
机器学习(Machine Learning)&深度学习(Deep Learning)资料
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
算法的评价标准:ROC,假阳性，mape
小屋
11-19 6798
1，ROC曲线去医院做检查化验单或报告单会出现（+）跟（-），其分别表型阳性和阴性。比如你去检查是不是得了某种病，阳性（+）就说明得了，阴性（-）就说明没事。 科研人员在设计这种检验方法的时候希望知道，如果这个人确实得了病，那么这个方法能检查出来的概率是多少呢（真阳率）？如果这个人没有得病，那么这个方法误诊其有病的概率是多少呢（假阳率）？ 如下表所示： 金标准就是实际中的病人阳性和阴性的情
scikit-learn： 回归类的模型评估指标
错位的梦寐的博客
10-24 5792
''' 模型效果指标评估 y_true：真实的数据值 y_pred：回归模型预测的数据值 explained_variance_score：解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因变量 的方差变化，值越小则说明效果越差。 mean_absolute_error：平均绝对误差（Mean Absolute...
多分类问题评价指标
weixin_43461341的博客
09-02 1万+
机器学习或者是日常生活中，遇见的往往是二分类问题比较多，二分类模型的模型评价准则很多，Auc_score,F1_score，accuracy等等都是比较常用的。而针对多分类问题来说，有些二分类的评价准则就相对而言不怎么适用了。虽然可以将多分类问题转化为多个2vs2问题进行讨论，步骤繁杂的同时效果也得不到保障。目前在进行多模态的一个分类研究，在模型评价时也废了不少脑筋，所以在这里将看到的比较常用的多...
评估回归模型的指标：MSE、RMSE、MAE、R2、偏差和方差
悦光阴的博客
12-18 2万+
在回归任务(对连续值的预测)中，常见的评估指标(Metric)有：平均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)，其中用得最为广泛的就是MAE和MSE。下面依次来...
算法效果评估：均方根误差（RMSE）/ 标准误差
Laurence的技术博客
11-07 5万+
评估算法的效果 常见的算法效果评估函数是均方根误差（Root Mean Square Error），在了解这个均方根误差前，需要先熟悉一下其他几个基本方差： 方差（Variance） 方差用于衡量随机变量或一组数据的离散程度。对于方差我们可以用一种朴素的方式理解和记忆：它不是平方的差，而是差的平方求和之后再取平均值，对于计算方差取差的平方这一点，可以很形象地理解为以两点间的直线距离为边得到一个正方型，以面积（平方）的形式度量离散程度，显然面积越大，意味着离散程度越高。 总体方差 总体方差，也叫做有偏估计，其
机器学习之回归模型预测性能评估指标（RMSE、MSE、MAE、MAPE、SMAPE、R^2 Score、R^2 ）
有你真好的博客
07-15 1万+
机器学习就是通过大量的数据进行训练，然后得出输入数据的模型特征；再次输入相关的数据时，能得到一个预测的结果。这在现实生活中解决了大量的问题，如：股票预测、物体分类、房价预测等等，这些都依赖机器学习带给我们的便利。......
回归模型的评估指标
Sunlight
06-23 1万+
回归问题 回归问题是机器学习要解决的四大问题之一，在我们的生活中也存在着很多回归问题。比如某一地区的房价预测，某一个学生高考成绩的预测，某一地区感染病毒人数的预测，某一公司2020年营业收入的预测等等。从以上的例子中，我们可知回归问题的目标是预测一个数值或者一个区间数值。 回归模型 回归模型是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。
均方根值（RMS） 均方根误差（RMSE） 标准差（Standard Deviation）
热门推荐
u011594486的专栏
02-09 16万+
1、均方根值（RMS）也称作为效值，它的计算方法是先平方、再平均、然后开方。2、均方根误差，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。均方根误差，当对某一量进行甚多次的测量时，取这一测量列真误差的均方根差(真误差平方的算术平
评论
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