机器学习 —— 预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

最新推荐文章于 2024-04-22 09:33:12 发布
最新推荐文章于 2024-04-22 09:33:12 发布
阅读量7.9k 收藏 11
点赞数 7
分类专栏： 人工智能 - 能落地 文章标签： 人工智能
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/weixin_32265569/article/details/108338466
版权
人工智能 - 能落地 专栏收录该内容
10 篇文章 16 订阅 ¥79.90 ¥99.00
订阅专栏

不同的机器学习算法得到的模型，评估指标是不一样的，对于推荐算法来说，常用的评估指标是RMSE(均方根误差)，MSE(均方误差)，这两个误差结果肯定是越小越好，越小代表我们的推荐模型比较优秀，能够达到预期的推荐效果

假设：

  • 预测值：yˆ = { y1ˆ,y2ˆ,...,ynˆ }
  • 真实值：y = { y1,y2,...,yn }

前提理解，比如电影推荐算法中，有用户对的真实评分、机器学习预测评分，如下表

用户

真实评分

预测评分

用户A

真实评分1

预测评分1

用户B

真实评分2

预测评分2
了解本专栏 订阅专栏 解锁全文
不埋雷的探长
关注
  • 7
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
python使用numpy包编写自定义函数计算SMAPE(对称平均绝对百分比误差)指标Symmetric mean absolute percentage error、SMAPE指标解读、指标使用的注
data+scenario+science+insight
02-10 1105
python使用numpy包编写自定义函数计算SMAPE(对称平均绝对百分比误差)指标Symmetric mean absolute percentage error (SMAPE)、SMAPE指标解读、SMAPE指标使用的注意事项
在 Azure 机器学习工作室中使用多个误差指标评估回归机器学习模型的性能-研究论文
06-09
EEM 指标包括：CoD、GMRAE、MAE、MAPE、MASE、MdAE、MdAPE、MdRAE、ME、MPE、MRAE、MSE、NRMSE_mm、NRMSE_sd、RAE、RMdSPE、RMSE、RMSE、RSE、sMAPE、SMdAPE、SSE。 此外，EEM 支持评估基于 R 语言的回归模型。 可...
time_series_forecasting:不同时间序列预测模型的示例
03-08
时间序列预测 不同时间序列预测模型的示例。 前处理 时间序列生成 正弦波和随机噪声的时间序列生成 具有趋势，季节性和随机噪声的时间序列生成 归因 外推法 相似 特征提取 TSFresh的时间序列功能 楷模 传统统计模型 天真/季节性天真 指数平滑（ETS） LOESS（STL）的季节性趋势分解 自回归综合移动平均线（ARIMA） 带外生回归因子的季节性ARAIMA（SARMIAX） Facebook先知 机器学习模型 减少时间序列 随机森林（RF） K最近邻居（kNN） XGBoost（XGB） 基于直方图的梯度增强（HGB） 深度学习模型 RNN LSTM 深度AR 神经先知 N-节拍 评估 指标 平均绝对误差（MAE） 平均绝对百分比误差（MAPE） 平均绝对比例误差（MASE） 加权MAPE（wMAPE）
灰狼算法(GWO)优化BP神经网络回归预测,GWO-BP回归预测,多变量输入单输出模型 评价指标包括:R2、MAE、MSE、
09-15
灰狼算法(GWO)优化BP神经网络回归预测,GWO-BP回归预测,多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。
sklearn【MAPE】平均相对误差介绍，以及案例学习！
最新发布
高级数据分析师，分享Python知识
04-22 1745
在预测任务中，评估模型的预测性能至关重要。除了常见的均方误差（MSE）和决定系数（R²）等指标外，平均百分比误差（MAPE，Mean Absolute Percentage Error）也是一个常用的评估指标。MAPE衡量了模型预测值与实际值之间的百分比误差的平均值，有助于我们了解预测的相对准确性。在Python的机器学习库sklearn中，虽然没有直接提供计算MAPE的函数，但我们可以自己编写一个简单的函数来实现这一功能。
【小白学机器学习5】评价预测值和观测值差异的指标：MSE, RMSE,MAE, MAPE, WMAPE
奔跑的犀牛先生
02-29 3378
偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据。方差：描述的是预测值的变化范围，离散程度，也就是离其(预测值整体)期望值的距离。方差越大，数据的分布越分散预测值和真实值完全没关系。方差小只是一群估计值自身的属性，够不够聚拢，发散是否厉害。有可能方差很大也可能很小，但偏离真实值很远的情况。简单的理解，范式就是距离L1 范式距离，就是 |y1-y2|L2 范式距离，就是 (y1-y2)**2以下类推像我现在的水平，暂时了解到这么多即可。
MATLAB知识点： SSE: 误差平方和、 MSE: 均方误差、RMSE: 均方根误差、MAE: 平均绝对误差、MAPE: 平均绝对百分比误差、SMAPE: 对称平均绝对百分比误差、R方: 决定系数
数学建模学习交流的博客
02-05 3799
​讲解视频：可以在bilibili搜索《​。
【深度学习】回归任务评价方法（MSE、MAE、RMSE）
JNing
09-14 4954
回归loss MSE 1n∑ni=1
预测评价指标RMSE、MSE、MAE、MAPE、SMAPE及其代码实现
weixin_46847902的博客
04-03 1605
评价指标总结
预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE
我的AI笔记
03-21 1万+
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 Squa...
【预测模型--常用度量指标】
在热爱技术的路上一直前行。
05-02 1万+
一、MAE（Mean Absolute Error） 平均绝对误差MAE（MeanAbsolute Error），即误差绝对值的平均值，可以准确反映实际预测误差的大小。 MAE评估的是真实值和预测值的偏离程度，即预测误差的实际大小。 MAE值越小，说明模型质量越好，预测越准确。 二、MSE（Mean Squared Error） 一般情况下，MSE比较少单独使用，因为不好理解，多数用在方差分析和参数估计等中。 显然，M...
回归评价指标：MSE、RMSE、MAE、MAPE、R2公式理解及代码实现
热门推荐
haosen
05-05 8万+
目录 预先假设： 平均绝对误差（MAE） 均方误差（MSE）均方根误差（RMSE） MAE：平均绝对误差；MAPE：平均绝对百分比误差 R2（R-Square）决定系数 通过sklearn库实现5种评价指标 预先假设： 平均绝对误差（MAE） 平均绝对误差（Mean Absolute Error） 范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越...
基于BP神经网络的Adaboost回归预测，BP-Adaboost回归预测，多输入单输出模型 评价指标包括:R2、MAE、M
12-26
评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。 基于BP神经网络的Adaboost回归预测，BP-Adaboost回归预测，多输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码...
卷尾猴算法(SCSO)优化递归神经网络Elman回归预测，SCSO-Elman回归预测模型，多变量输入模型 评价指标包括:R
12-25
评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。 卷尾猴算法(SCSO)优化递归神经网络Elman回归预测，SCSO-Elman回归预测模型，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和...
常见损失函数和评价指标总结
喜欢打酱油的老鸟
01-24 3065
作者：董文辉 本文长度为4500字，建议阅读10+分钟 本文为你总结常见损失函数和评价指标。 注：本文采用markdown进行编写，用markdown打开可得更佳展示效果～ ## 1. 损失函数： ### 1.1 回归问题： #### 1. 平方损失函数（最小二乘法）： $$L(Y,f(x)) = \sum_{i=1}^n(Y-f(X))^2$$ 回归问题中常用的损失函数，在线性回...
MAPE(Mean Absolute Percentage Error)和WMAPE有何不同，为什么用WMAPE来评估销量预测
三丰的专栏
02-18 1万+
MAPE(Mean Absolute Percentage Error)是用来做销量预测最常用的指标，在实际的线上线下销量预测中有着非常重要的评估意义。但是在实际的项目过程中发现，有些时候的指标并不能非常好的表示模型拟合的效果，因此对这部分进行了深入分析，发现有更优化的评价指标来度量销量预测问题。 MAPE公式如下： 分别为真实值和预测值。 但是，这个指标存在两个问题： ...
机器学习：线性回归模型的评价方法 MSE, MAE, R2
威廉软件的博客
09-13 7397
MSE、RMSE、MAE 思路：测试数据集中的点，距离模型的平均距离越小，该模型越精确。 使用平均距离，而不是所有测试样本的距离和，因为距离和受样本数量的影响。
PyTorch指标计算库TorchMetrics详解
vigorlhwjsj的博客
05-17 4458
弄清楚需要评估哪些指标（metrics）是深度学习的关键。有各种指标，我们就可以评估ML算法的性能。一般来说，指标（metrics）的目的是监控和量化训练过程。在一些技术中，如学习率调度或提前停止，指标是用来调度和控制的关键。虽然也可以在这里使用损失loss，但指标是首选，因为它们能更好地代表训练目标。与损失相反，指标不需要是可微的（事实上很多都不是），但其中一些是可微的。如果指标本身是可微的，并且它是基于纯PyTorch实现，那么它也跟损失一样可以用来进行反向传播。对80多个PyTorch。
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
u012254599的博客
11-01 1677
分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。
写出RMSE和RMSPE的函数
05-12
RMSE（均方根误差）是回归问题中经常用到的评价指标，表示预测值与真实值之间的差异程度。其计算公式为： $$RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y_i})^2}$$ 其中 $n$ 表示样本数，$y_i$ 表示真实值，$\hat{y_i}$ 表示预测值。 Python实现： ```python import numpy as np def rmse(y_true, y_pred): return np.sqrt(np.mean((y_true - y_pred)**2)) ``` RMSPE（相对均方根误差）是在RMSE的基础上加入了相对误差的概念，用于解决实际生活中数值大小相差较大的问题。其计算公式为： $$RMSPE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(\frac{y_i - \hat{y_i}}{y_i}\right)^2}$$ 其中 $n$ 表示样本数，$y_i$ 表示真实值，$\hat{y_i}$ 表示预测值。 Python实现： ```python import numpy as np def rmspe(y_true, y_pred): return np.sqrt(np.mean(((y_true - y_pred)/y_true)**2)) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

不埋雷的探长

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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