回归算法评价标准MSE、RMSE、MAE、R-Squared

最新推荐文章于 2024-05-14 23:27:57 发布
最新推荐文章于 2024-05-14 23:27:57 发布
阅读量1.2w 收藏 25
点赞数 1
分类专栏： 机器学习
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/weixin_41919646/article/details/86633540
版权

一、MSE 均方误差
在这里插入图片描述
即（真实值-预测值）的平方/测试集个数
其实（真实值-预测值）的平方 就是线性回归的损失函数，线性回归的目的就是为了让损失函数最小化。但这种判断方式是会放大误差的，即本身误差越大的平方后会更大。所以从这也可以看出，损失函数是为了减小最大的那个误差。
二、RMSE 均方根误差
在这里插入图片描述
即MSE开根号，使结果的单位和数据集一致，更好描述
三、MAE 平均绝对误差
在这里插入图片描述
四、R-Squared
以上3种评价方式，针对不同的模型，有不同的单位。比如米，元。这些不同的单位缺乏可读性。
衡量分类算法通常使用准确率进行衡量，那么衡量回归算法就引入了R-Squared
在这里插入图片描述
化简上面公式
在这里插入图片描述
分子就变成了我们的均方误差MSE，下面分母就变成了方差。
这里的基准模型即取平均值。分式的分母为方差公式，若R**2<0，即分子大于分母，预测模型误差大于基准模型。
五、实现代码

#这里我们使用sklearn数据集中的波士顿房产数据
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datastes
boston=datasets.load_bost
最低0.47元/天 解锁文章
安可的橙子
关注
  • 1
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
如何评价回归算法的优劣 MSE、RMSE、MAE、R-Squared
itslifeng的博客
08-20 3万+
如何评价回归算法的优劣 MSE、RMSE、MAE、R-Squared前言均方误差 MSE（Mean Squared Error）代码实现均方根误差（RMSE）代码实现平均绝对误差 （MAE）R Squared代码实现通过scikit-learn来计算metricsNoticeMAE vs RMSE 前言 回归算法同分类算法不同，回归算法主要用来预测，而分类算法的目的是为了分类，所以两种算法的评判标准当然也不一样。 本文就是从MSE、RMSE、MAE、R-Squared四个指标来谈一谈如何衡量回归算法的好坏。
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
评估指标中的RMSE,MAE,MAPE分别表示什么，取值范围一般多大，优缺点有哪些？
qlkaicx的博客
01-12 2万+
RMSE（Root Mean Square Error）：均方根误差。优点在于衡量预测值与真实值之间的偏差程度，数值越小表示模型的预测精度越高。此外，RMSE易于理解，计算方便，并且对异常值较为敏感。然而，RMSE的缺点在于对目标变量本身的变异性缺乏考虑，可能无法准确反映模型的性能。同时，RMSE对异常值的敏感性可能导致评价结果不够稳定。MAE（Mean Absolute Error）：平均绝对误差。优点在于计算每个样本的预测误差的绝对值的平均数，直观地表示模型预测值与真实值之间的差距大小。
【科研】常用的实验结果评价指标（3） —— MSE，RMSE是什么?！两者有什么关系？
最新发布
S数据菜菜的博客
05-14 6298
MSE，RMSE是什么?！两者有什么关系，该怎么取舍？
回归预测模型评估指标（MSE、RMSE、MAE）
weixin_46837260的博客
04-07 1万+
回归预测模型准确性和预测性能的评估指标：均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）。其计算公式及含义如下图所示： 其中，yt表示测试集中实际打分值，ytp表示模型输出的预测打分值，n表示测试集图片数据的总量。MSE、RMSE和MAE这三个指标的正常数值范围为0到正无穷，其值越小表示实际值与预测值之间的误差值越小，模型的预测效果越好。 ...
回归模型评价指标
wj1298250240的博客
12-27 8165
回归模型评价指标 越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好 越接近0，表明模型拟合的越差 经验值：>0.4， 拟合效果好 缺点： 数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差 参考此博客： https://www.jianshu.com/p/9ee85fdad150 ...
RMSE数值在什么范围比较好呢
weixin_35751194的博客
01-17 1万+
RMSE (Root Mean Squared Error) 数值越小越好。通常来说，对于大多数应用来说，RMSE的值在0.1到1之间是可以接受的。当然，这取决于具体的应用和数据，如果数据本身具有很大的方差，那么RMSE的值就会更大。 ...
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
qq_31244453的博客
03-11 3万+
目录 前言 MSE RMSE MAPE SMAPE Python程序 前言 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。 假设： 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，模型性能越差。 RMSE 均方根误差(Root Mean
回归评价指标MSE、RMSE、MAE、R-Squared
平平淡淡，戒急用忍，一生学闭嘴。
11-23 1192
前言 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。下面一一介绍 均方误差（MSE） MSE （Mean Squared Error）叫做均方误差。看公式 这里的y是测试集上的。 用 真实值-预测值 然后平方之后求和平均。 猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就是让这个损失函数最小...
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE
04-29
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE 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 ...
python之MSE、MAE、RMSE的使用
09-17
在机器学习和统计建模中，评估模型性能是非常重要的步骤，而MSE（均方误差）、MAE（平均绝对误差）和RMSE（均方根误差）是衡量预测模型精度的常见指标。这些指标用于量化实际值（target）与预测值（prediction）之间...
鲸鱼算法(WOA)优化随机森林的数据回归预测,WOA-RF回归预测，多变量输入模型 评价指标包括:R2、MAE、MSE、RM
09-23
评价预测模型的性能通常会使用多种指标，如决定系数R2、平均绝对误差（Mean Absolute Error, MAE）、均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）以及平均绝对百分比误差...
回归评价指标（MSE、RMSE、MAE、R-Squared、拟合优度）
热门推荐
Black eyes的博客
07-23 6万+
文章目录拟合优度 拟合优度 拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（Coefficient of Determination）R²。可决系数，亦称测定系数、确定系数、决定系数、可决指数。 对于m个样本(x1→,y1),(x2→,y2),⋯ ,(xm→,ym)(\overrightarrow{x_{1}},y_{1}),(\overr...
衡量线性回归法的指标MSE、RMSE、MAE、R Squared（最佳）
Bonjour_h的博客
03-19 2961
线性回归算法的评测                                          &nbs
方差、标准差、均方差、均方误差、均方根误差详细总结
Suprit's blog
07-30 2万+
方差、标准差、均方差、均方误差、均方根误差详细总结 看到网上别的大神总结的都是复制粘贴的，排版很凌乱，特此总结并精美排版一下。 方差 方差是衡量随机变量或一组数据时离散程度的度量。方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个样本数据和平均数之差的平方和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。 对于一组随机变量或者统计数据，其期望值（平均数）用E(X)E(X)E(X)​表示，即随机变量或统计数据的均值， 方差的公式如下所示（对各个数据与均值的差的
psnr,ssim,rmse三个指标的定量分析
chenyuhuaxin的博客
07-01 1万+
根据经验法则，可以说RMSE值在0.2 ~ 0.5之间，说明该模型能够较准确地预测数据。此外，校正后的r平方大于0.75是一个很好的值来显示准确度。在某些情况下，调整后的r平方值为0.4或更多也是可以接受的。 PSNR高于40dB说明图像质量极好（即非常接近原始图像）， 在30—40dB通常表示图像质量是好的（即失真可以察觉但可以接受）， 在20—30dB说明图像质量差； 最后，PSNR低于20dB图像不可接受SSIM取值范围[0,1]，值越大，表示图像失真越小....
mse函数（均方误差函数）
qq_18343569的博客
07-26 5万+
mse(a)  ----------------------------函数 等价于sum(a.^2)/lenght(a); MSE和RMSE都是网络的性能函数。MSE是（神经）网络的均方误差，叫"Mean Square Error"。比如有n对输入输出数据，每对为[Pi,Ti],i=1,2,...,n.网络通过训练后有网络输出,记为Yi。那MSE＝(求和(Ti-Yi)^2(i=1
python中如何快速获得模型的MSE,RMSE,MAE,R-Squared
06-04
在Python中，可以使用scikit-learn库中的mean_squared_error、mean_absolute_error、r2_score函数来计算模型的MSE、MAE和R-Squared。同时，也可以使用numpy库中的sqrt函数来计算RMSE。 具体实现如下： ```python from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score import numpy as np # 假设y_true和y_pred分别为真实值和预测值 mse = mean_squared_error(y_true, y_pred) rmse = np.sqrt(mse) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) print("MSE:", mse) print("RMSE:", rmse) print("MAE:", mae) print("R-Squared:", r2) ``` 其中，y_true和y_pred分别为真实值和预测值。需要注意的是，如果使用r2_score函数计算R-Squared，需要将y_true和y_pred都转换为一维数组。

“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 1
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