matlab评价指标R2,预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

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

用户C

真实评分3

预测评分3

MSE (均方误差) = {(真实评分1 - 预测评分1)^2 +(真实评分2 - 预测评分2)^2 +(真实评分3 - 预测评分3)^2}  / n

如果准确率100%，则MES为0，即均方误差越小越好，范围在：[0,+∞)

MSE (均方误差) =

RMSE(均方根误差) =

如果准确率100%，则RMES为0，即均方根误差越小越好，范围在：[0,+∞)

MSE

均方误差(Mean Square 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；误差越大，该值越大。

RMSE

均方根误差(Root Mean Square Error)，其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。

范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。

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；误差越大，该值越大。

MAPE

平均绝对百分比误差(Mean Absolute Percentage Error)

范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。

可以看到，MAPE跟MAE很像，就是多了个分母。

注意点：当真实值有数据等于0时，存在分母0除问题，该公式不可用！

SMAPE

对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error)

注意点：当真实值有数据等于0，而预测值也等于0时，存在分母0除问题，该公式不可用！