Python 误差分析——计算MSE RMSE R MAE MAPE

最新推荐文章于 2024-08-14 23:30:40 发布

逗逗打怪兽

最新推荐文章于 2024-08-14 23:30:40 发布

阅读量4.4k

点赞数 2

分类专栏：海浪智能预报文章标签： python

本文链接：https://blog.csdn.net/qq_40937619/article/details/127444807

版权

海浪智能预报专栏收录该内容

3 篇文章 0 订阅

订阅专栏

这篇博客介绍了预测模型中常用的评估指标，包括R相关系数、MAE平均绝对误差、MAPE平均绝对百分比误差以及RMSE均方根误差。R接近1表示预测效果好；MAE和MAPE适合衡量数据跨度不大的情况，而RMSE和MSE在某些场景下使用较少。文章通过代码展示了这些指标的计算方法，并应用到实际数据上进行比较。

摘要由CSDN通过智能技术生成

MSE 均方误差

# MSE计算
def mse(target, predict):
    return ((target - predict)**2).mean()
mse_val = mse(np.array(BH_old_data), np.array(BH_new_data))
mse_val_new = mse(np.array(BH_old_data), np.array(new_model_predict))

RMSE 均方根误差

# RMSE计算
def rmse(predictions, targets):
    return np.sqrt(((predictions - targets) ** 2).mean())
rmse_val = rmse(np.array(BH_old_data), np.array(BH_new_data))
rmse_val_new = rmse(np.array(BH_old_data), np.array(new_model_predict))

R 相关系数

# R相关系数计算
def R(target, predict):
    SSR = sum((predict - (target).mean())**2)
    SST = sum((target - (target).mean())**2)
    return SSR/SST
r_val = R(np.array(BH_old_data), np.array(BH_new_data))
r_val_new = R(np.array(BH_old_data), np.array(new_model_predict))

MAE 平均绝对误差

# MAE计算
def mae(target, predict):
    return (abs(target-predict)).mean()
mae_val = mae(np.array(BH_old_data), np.array(BH_new_data))
mae_val_new = mae(np.array(BH_old_data), np.array(new_model_predict))

MAPE 平均绝对百分比误差

# MAPE计算
def MAPE(target, predict):
    return (abs((target-predict)/target)).mean() * 100
mape_val = MAPE(np.array(BH_old_data), np.array(BH_new_data))
mape_val_new = MAPE(np.array(BH_old_data), np.array(new_model_predict))

因为海浪高度的数据跨度不高，一般R、MAE、MAPE用的较多，RMSE、MSE使用较少。

R 一般越接近1，说明预测效果越好。