MAE、MSE和RMSE是什么？

seasonsyy

已于 2024-03-15 15:17:49 修改

阅读量962

点赞数 18

分类专栏：深度学习小知识文章标签：平均绝对误差MAE 均方误差MSE 均方根误差RMSE 评价指标机器学习

于 2024-03-15 15:15:35 首次发布

本文链接：https://blog.csdn.net/seasonsyy/article/details/136740643

版权

深度学习小知识专栏收录该内容

55 篇文章 3 订阅

订阅专栏

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	$MAE = \frac{1}{n}\sum\limits_{i = 1}^n \|{y_i} - {{\hat y}_i}\|$	$MSE = \frac{1}{n}\sum\limits_{i = 1}^n {{{({y_i} - {{\hat y}_i})}^2}}$	$RMSE = \sqrt {MSE}$
公式参数	(n) 是样本数量。 $(y_i)$ 是第 (i) 个样本的实际观测值。→	$(\hat{y}_i)$ 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。