MAE、MSE和RMSE是什么？

已于 2024-03-15 15:17:49 修改
阅读量2k 收藏 8
点赞数 18
CC 4.0 BY-SA版权
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
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/seasonsyy/article/details/136740643
本文介绍了平均绝对误差(MAE),平均方差误差(MSE)和均方根误差(RMSE)在深度学习中作为回归模型性能评估的常用指标，讨论了它们的计算公式、优缺点以及在不同场景的应用，如房价预测和异常值处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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。

【笔记】【LSTM算法】简单的时序预测
weixin_45553275的博客
08-27 1007
数据介绍 数据是是一个单列数据，只保留六个数据作为测试集，采用单步预测，一个预测一个，数据集部分如下所示 data1=pd.read_csv('Dinghang.csv', usecols=[1]) #读取第二列数据 dataset = data1.values dataset = dataset.astype('float32') LSTM模型介绍 LSTM的介绍 #数据标准化 scaler=sklearn.preprocessing.MinMaxScaler(fe...
机器学习中回归预测模型中常用四个评价指标MBE、MAE、RMSE、R2解释
qq_55433305的博客
12-28 5866
综上所述，MBE、MAE、RMSE和R2是机器学习中常用的四个评级指标，它们各有优缺点，适用于不同的应用场景。在实际应用中，需要根据具体需求选择合适的指标来评估模型的性能。
回归模型评估三剑客：MSE、RMSE、MAE大揭秘！
qiutesting的博客
06-10 863
结合业务场景🏥 医疗：MAE > RMSE > MSE🚗 自动驾驶：MSE > RMSE > MAE🛒 电商推荐：MAE ≈ RMSE > MSE📢最后的话看完这篇，你已经掌握了回归评估的"三板斧"！下次面试被问到"如何评估回归模型"，记得自信地说："我会用MSE、RMSE、MAE从三个角度综合评估，并结合业务需求选择主指标！" 💼💪。
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
A34436791的博客
09-21 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。可以看出，RMSE=sqrt（MSE），因此，MSE 和 RMSE 二者是呈正相关的，MSE 值大，RMSE 值也大，所以在评价线性回归模型效果的时候，使用 RMSE 就可以了。
基本概念--MAE、MSE和RMSE
weixin_43894340的博客
11-29 2万+
回归算法中常用的评价指标：MAE、MSE和RMSE 1.MAE（Mean Absolute Error：平均绝对误差） 其中，表示真实值，表示预测值 2.MSE（Mean Square Error:均方误差） 3.RMSE（Root Mean Square Error:均方根误差） ...
评价指标 MAE、MSE、RMSE、MRE
yang_hua_yi_leng的博客
01-19 1万+
1、MAE（Mean Absolute Error - 平均绝对误差）： 2、MSE（Mean Squared Error - 均方误差）： 3、RMSE（Root Mean Squared Error - 均方根误差）： 4、MRE（Mean Relative Error - 平均相对误差）：
python之MSE、MAE、RMSE的使用
12-20
在数据分析和机器学习领域，评估模型性能是至关重要的一步，其中MSE（均方误差）、MAE（平均绝对误差）和RMSE（均方根误差）是常用的衡量预测误差的标准。下面将详细介绍这三个指标以及它们在Python中的计算方法。 ...
基于卷积神经网络(CNN)时间序列预测 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替
08-25
3. 均方根误差（RMSE）：MSE的平方根，也是误差的标准偏差，同样越小代表模型性能越好。 4. 平均绝对误差（MAE）：计算预测值与实际值之间差的绝对值的平均，它对异常值不敏感，适用于误差分布不均匀的情况。 5. ...
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
最新发布
weixin_43908136的博客
06-21 851
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
深度学习常用损失MSE、RMSE、MAE和MAPE
weixin_48018951的博客
03-17 2万+
三种常见损失总结，MSE、RSME、MAE
预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE
12-21
MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean Squared Error, MSE） 误差越大，该值越大。 SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。 3.均方根误差（Root Mean Square Error, RMSE） 是MSE的算数平均根 误差越大，该值越大。 4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE） 注意：当真实值有数据等
【机器学习】回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、RMSEC、RMSEP、Rc、Rp、R2、RPD(随时补充 源码示例 简单实现)
Next_SummerAgain的博客
03-22 1万+
回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、R2
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
fengdu78的博客
05-16 1万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，data会被skew，RMSE会被明显拉...
MSE RMSE MAE SD
lili安的博客
05-01 894
1、MSE 预测数据和原始数据对应点误差的平方和的均值 2、RMSE 均方根误差；MSE的平方根； 是观测值与真值偏差的平方和观测次数m比值得平方根； 是用来衡量观测值同真值之间的偏差。 3、MAE 平均绝对误差； 是绝对误差的平均值； 能更好的反映预测值误差的实际情况。 |预测值-真实值| 4、标准差SD 标准差； 是方程的算数平方根； 是用来衡量一组自...
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
weixin_43155435的博客
06-13 5万+
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
常用度量--MAE(平均绝对误差)和RMSE(均方根误差)
热门推荐
wydbyxr的博客
09-29 20万+
常用度量–MAE和RMSE   MAE和RMSE是关于连续变量的两个最普遍的度量标准。 定义   1）我们看看最流行RMSE，全称是Root Mean Square Error，即均方根误差，它表示预测值和观测值之间差异（称为残差）的样本标准偏差。   2）MAE，全称是Mean Absolute Error，即平均绝对误差，它表示预测值和观测值之间绝对误差的平均值。   MAE是一种线性分数，所...
深度学习：MAE 和 RMSE 详解
南淮北安的博客
10-25 10万+
平均绝对误差MAE（mean absolute error） 和均方根误差 RMSE（root mean squared error)是衡量变量精度的两个最常用的指标，同时也是机器学习中评价模型的两把重要标尺。 那两者之间的差异在哪里？它对我们的生活有什么启示？ 文章目录一、定义二、比较三、应用 一、定义 平均绝对误差MAE（mean absolute error）是绝对误差的平均值，它其实是更一...
回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）
y15659037739l的博客
04-05 2万+
1、平均绝对误差（Mean Absolute Error, MAE）：是绝对误差的平均值，可以更好地反映预测值误差的实际情况 2、均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差 3、均方根误差（RootMean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差 4、 ...
MAE,MSE,RMSE
03-31
<think>好的，用户想了解MAE、MSE和RMSE的概念及用法，特别是它们之间的区别。首先，我需要确认这三个指标的定义和计算公式，然后比较它们的优缺点以及适用场景。接下来，应该看看用户提供的引用内容，看看有没有可以直接引用的信息。比如引用[1]提到了RMSE是MSE的平方根，对异常值的影响较小，而引用[2]给出了RMSE的计算代码。不过用户的问题还包括MAE和MSE，所以需要分别整理这三个指标的信息。 首先，MAE是平均绝对误差，计算绝对值的平均，对异常值不敏感，适用于需要鲁棒性的情况。而MSE是均方误差，计算平方的平均，会放大较大误差的影响，适用于需要关注大误差的场景。RMSE则是MSE的平方根，量纲与原数据一致，便于解释。需要解释清楚每个指标的特点，比如MSE在优化时更常用，因为可导，而MAE在存在异常值时更稳定。 然后，用户可能想知道在实际应用中如何选择这三个指标，比如回归问题中什么时候用哪个更好。引用[3]提到了监督学习中的回归问题，所以可能需要结合这一点来说明这些指标的应用场景。此外，用户可能对如何计算这些指标感兴趣，引用[2]中的代码可以作为RMSE的例子，但需要补充MAE和MSE的代码示例。 还需要注意用户的问题中提到了“用法”，所以应该包括它们在模型评估中的作用，比如作为损失函数或评估指标。同时，要指出它们的优缺点，比如MSE对异常值敏感，可能导致模型过度拟合异常点，而MAE在这种情况下更鲁棒，但优化起来可能更困难。 最后，生成相关问题时，需要考虑用户可能的后续疑问，比如如何选择指标，如何处理异常值，或者这些指标与其他指标的关系。例如，比较MAE和RMSE的权衡，或者讨论Huber损失作为两者的结合。</think>### MAE、MSE与RMSE的概念及用法解析 #### 1. **MAE（Mean Absolute Error，平均绝对误差）** - **定义**：预测值与真实值绝对差的平均值，公式为： $$ \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i| $$ - **特点**： - 对异常值不敏感，鲁棒性强。 - 误差单位与原始数据一致，易于解释。 - 缺点：在优化过程中不可导（绝对值函数在零点不可导），可能影响梯度下降法的效率。 - **适用场景**：数据存在少量异常值，或需要关注整体误差的平均水平。 #### 2. **MSE（Mean Squared Error，均方误差）** - **定义**：预测值与真实值平方差的平均值，公式为： $$ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $$ - **特点**： - 放大较大误差的影响（平方项），对异常值敏感。 - 数学性质良好（可导），常用于梯度下降优化。 - 缺点：量纲为原数据平方，解释性较弱。 - **适用场景**：需要惩罚大误差的场景（如金融风险预测）。 #### 3. **RMSE（Root Mean Squared Error，均方根误差）** - **定义**：MSE的平方根，公式为： $$ \text{RMSE} = \sqrt{\text{MSE}} $$ - **特点**： - 保留MSE对大误差敏感性的同时，恢复量纲，便于解释[^1]。 - 对异常值的稳健性优于MSE，但弱于MAE。 - **适用场景**：需平衡误差敏感性与解释性的回归任务。 --- #### **对比总结** | 指标 | 敏感性 | 可导性 | 量纲一致性 | 异常值鲁棒性 | |-------|--------|--------|------------|--------------| | MAE | 低 | 否 | 是 | 高 | | MSE | 高 | 是 | 否 | 低 | | RMSE | 中 | 是 | 是 | 中 | --- #### **代码示例** ```python import numpy as np # MAE计算 def mae(y_true, y_pred): return np.mean(np.abs(y_true - y_pred)) # MSE计算 def mse(y_true, y_pred): return np.mean((y_true - y_pred) ** 2) # RMSE计算（引用[2]代码改进） def rmse(y_true, y_pred): return np.sqrt(mse(y_true, y_pred)) ``` --- #### **如何选择指标？** 1. **关注大误差**：使用MSE或RMSE（如房价预测）。 2. **存在异常值**：优先选择MAE（如传感器噪声数据）。 3. **模型优化需求**：MSE更适合梯度下降（可导性）。 ---
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