均方误差
在处理数据过程中,我们常需要用到均方误差(Mean Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)来对数据进行描述、统计。
均方误差(MSE)是指参数估计值与参数真值之差平方的期望值。它是反映估计量与被估计量之间差异程度的一种度量,是衡量“平均误差”的一种较方便的方法。设 t t t 是根据子样确定的总体参数的一个估计量, ( θ − t ) 2 (\theta −t)^2 (θ−t)2 的数学期望,称为估计量 t t t 的均方误差。
MSE 可以评价数据的变化程度,MSE 的值越小,说明预测模型描述实验数据具有更好的精确度。
M S E = 1 N ∑ t = 1 N ( o b s e r v e d t − p r e d i c t t ) 2 MSE = \frac{1}{N} \sum_{t=1}^{N} (observed_t - predict_t)^2 MSE=N1t=1∑N(observedt−predictt)2
这里 N N N 表示测量次数, o b s e r v e d t observed_t observedt 表示参数真实值, p r e d i c t t predict_t predictt 表示参数预测值。
均方根误差
均方根误差(RMSE) 亦称标准误差,是预测值与真实值偏差的平方与观测次数 N N N 比值的平方根。均值根方差表示一组数据的离散程度,对一组测量中的特大或特小误差反映非常敏感,所以,均方根误差能够很好地反映出测量的精密度。
M S E = 1 N ∑ t = 1 N ( o b s e r v e d t − p r e d i c t t ) 2 MSE = \sqrt{ \frac{1}{N} \sum_{t=1}^{N} (observed_t - predict_t)^2 } MSE=N1t=1∑N(observedt−predictt)2