平均绝对误差(Mean Absolute Error,MAE)和平均方差误差(Mean Squared Error,MSE)和均方根误差RMSE 是常用的评价回归模型性能的指标。它们用于衡量模型预测值与真实值之间的差异。
在深度学习领域,MAE 和 MSE和RMSE 是常用的回归模型评价指标,通过这些指标可以量化模型的预测性能,并帮助优化模型和选择最佳模型。
平均绝对误差(MAE) (Mean Absolute Error) | 平均方差误差(均方误差MSE) (Mean Squared Error) | 均方根误差(RMSE) (Root Mean Square Error) | |
---|---|---|---|
总体评价 | 是常用的评价回归模型性能的指标→ | 它们用于衡量模型预测值与实际观测值之间的差异 | |
计算公式 | |||
公式参数 | (n) 是样本数量。 是第 (i) 个样本的实际观测值。→ | 是第 (i) 个样本的模型预测值。 | |
表示 | MAE 表示每个样本预测误差的绝对值的平均 | 模型预测值与实际观测值之间的差异的平方的平均值 | 是 MSE 的平方根。它给出了与原始观测值相同单位的误差度量 |
评价 | 值越小越好 | 值越小越好 | 值越小越好 |
单位 | 单位与原始数据的单位相同,因此可以直观地解释预测的误差程度。 | 结果是平方单位,不易直观解释,尤其是当数据存在异常值时 | 与原始观测值相同的单位,因为它是MSE的平方根。 |
应用领域 | 通常用于回归模型的评价,特别是在需要直观解释误差大小,并且异常值不太重要的情况下。 例如,房价预测、销量预测等领域。 | 通常用于回归模型的评价,尤其是在需要更加关注大误差的情况下。 但需要注意,当存在异常值或者需要直观解释误差时,MSE 可能不太适用。 | 对异常值更敏感,因为它是平方根,较大的误差会在平方根计算时被放大。 RMSE通常比MSE更直观,因为它与原始数据的单位相同,并且更容易解释。 |