python_误差分析

python_误差分析

简介

在机器学习中,MSE和MAE是常用的评价回归模型的指标。
MSE(Mean Squared Error)均方误差,预测值与真实值之差的平方和的平均值:
均方误差
MAE(Mean Absolute Error) 平均绝对误差
平均绝对误差

计算过程

目标变量

target = [ -2.2, 0.1, -0.5,0.5, 1.5, 2.1]

预测结果

prediction = [ -4.7, -2.3, 0.75,1.5, 2.1, 3.3]

计算误差error

error = []
for i in range(len(target)):
    error.append(target[i] - prediction[i])

结果:

[2.5, 2.4, -1.25, -1.0, -0.6-1.19]

计算误差squaredErrorabsError

squaredError = []
absError = []
for val in error:
    squaredError.append(val * val)#target-prediction之差平方 
    absError.append(abs(val))#误差绝对值
print("Square Error[误差平方]): ", squaredError)
print("Absolute Value of Error[误差绝对值]: ", absError) 

结果:

Square Error[误差平方][6.25, 5.76, 1.5625, 1.0, 0.36, 1.4399]
Absolute Value of Error[误差绝对值]:  [2.5, 2.4, 1.25, 1.0, 0.6, 1.199]

计算误差均方误差MSE

print( sum(squaredError))
print( len(squaredError))
print("MSE = ", sum(squaredError) / len(squaredError)) #均方误差MSE

结果:

sum(squaredError)16.3725
len(squaredError)6
MSE =  2.72875

计算误差平均绝对误差MAE

from math import sqrt
print("RMSE = ", sqrt(sum(squaredError) / len(squaredError)))#均方根误差RMSE
print("MAE = ", sum(absError) / len(absError))#平均绝对误差MAE

结果:

RMSE =  1.65
MAE =  1.49

计算误差方差标准差
方差,是样本实际值与实际值的总体平均值之差的平方和的平均值,描述数据集的离散程度。
方差:
在这里插入图片描述
标准差:
在这里插入图片描述

targetDeviation = []
targetMean = sum(target) / len(target)  # target平均值
for val in target:
    targetDeviation.append((val - targetMean) * (val - targetMean))
print("Target Variance = ", sum(targetDeviation) / len(targetDeviation))  # 方差
print("Target Standard Deviation = ", sqrt(sum(targetDeviation) / len(targetDeviation)))  # 标准差

结果:

Target Variance[方差] =  1.939
Target Standard Deviation[标准差] =  1.39

补充:平均相对误差
https://www.jianshu.com/p/705fdb11ccd5
https://blog.csdn.net/reallocing1/article/details/56292877
参考:[https://blog.csdn.net/stone_fall/article/details/89389269]
[https://blog.csdn.net/llx1026/article/details/77752121?yyue=a21bo.50862.201879]
[https://blog.csdn.net/xiongchengluo1129/article/details/79155550]
http://latex.codecogs.com/eqneditor/editor.php

  • 6
    点赞
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python中,误差分析是指在数值计算过程中可能产生的误差。根据引用中的信息,单精度浮点数的精度只有6~7位有效数字,而高于这个位数的数字将被舍弃或四舍五入,这可能导致计算结果的不准确。因此,在使用浮点数进行计算时,需要注意可能出现的尾数丢失问题。 为了更准确地处理数值计算中的误差,Python提供了decimal模块,该模块支持高精度的十进制运算。引用中提到了decimal模块的使用方法和示例。通过使用decimal模块,可以避免使用浮点数时可能出现的误差问题。 另外,误差分析也与具体的数值计算算法和问题有关。在引用的代码示例中,使用了列表来存储输入的数字,并通过max、min和sum等函数来进行计算。然而,这种方法并不能通过全部样例,可能是因为在具体问题中对误差的处理方法不够准确或完善。 总之,Python中的误差分析是在数值计算中需要关注的一个方面。要准确处理误差,可以使用decimal模块提供的高精度计算功能,并结合具体的数值计算算法和问题进行分析和处理。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [浅析Python高精度计算的误差](https://blog.csdn.net/m0_73792575/article/details/130045092)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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