MSE、MAE、RMSE、MAPE、MARE、SMAPE、ACC、TOP k

最新推荐文章于 2025-04-17 15:02:07 发布
最新推荐文章于 2025-04-17 15:02:07 发布
阅读量3.1k 收藏 11
点赞数 4
文章标签： 人工智能 算法 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_44012667/article/details/140465054
版权

在数据科学和机器学习中，评估模型的性能通常需要使用各种指标。这些指标可以帮助我们理解模型的预测能力和误差大小。

1. Mean Squared Error (MSE)

均方误差

MSE 是预测值与真实值之间差的平方的平均值，用于衡量模型的预测误差。MSE 越小，模型的预测效果越好。

公式： \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

其中：

  • n是样本数
  • y_i​ 是真实值
  • \hat{y}_i是预测值

2. Mean Absolute Error (MAE)

平均绝对误差

MAE 是预测值与真实值之间绝对差的平均值。它比 MSE 更容易解释，因为它直接反映了预测值与真实值之间的平均差距。

公式： \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|

3. Root Mean Squared Error (RMSE)

均方根误差

RMSE 是 MSE 的平方根，用于保持单位与原始数据一致。它可以更加直观地反映预测误差的大小。

公式：\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2}

4. Mean Absolute Percentage Error (MAPE)

平均绝对百分比误差

MAPE 是预测误差的绝对值与真实值的百分比的平均值，常用于衡量预测相对误差的大小。

公式： \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right|

5. Mean Absolute Relative Error (MARE)

平均绝对相对误差

MARE 是预测误差与真实值的比值的平均值。与 MAPE 类似，MARE 也衡量相对误差，但通常不乘以 100%。

公式： \text{MARE} = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right|

6. Symmetric Mean Absolute Percentage Error (SMAPE)

对称平均绝对百分比误差

SMAPE 是一种修改的 MAPE，避免了真实值为零的问题。它考虑了预测值和真实值的对称差异。

公式： \text{SMAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \frac{|y_i - \hat{y}_i|}{( |y_i| + |\hat{y}_i| ) / 2}

7. Accuracy (ACC)

准确率

在分类任务中，准确率是预测正确的样本数与总样本数之比。对于回归任务，通常用类似准确度的指标衡量，如 R^2。

公式： \text{ACC} = \frac{\text{Number of correct predictions}}{\text{Total number of predictions}}

8. Top k Accuracy (TOP k)

前 k 准确率

Top k 准确率是指预测的前 k 个类别中包含正确类别的比例，常用于多分类任务。

公式： \text{Top k Accuracy} = \frac{\text{Number of samples where the true label is in the top k predicted labels}}{\text{Total number of samples}}

回归模型的评估+MAE、MSE、RMSE、MAPE、SMAPE、R-squared
data+scenario+science+insight
06-01 2823
回归模型的评估+MAE、MSE、RMSE、MAPE、SMAPE、R-squared 目录 回归模型的评估+MAE、MSE、RMSE、MAPE、SMAPE、R-squared 误差 决定系数（R-squared） 误差 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。 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。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！ 决定系数（R-squared） R-squared（值范围0-1）描
MSE（L2损失）与MAE（L1损失）的分析
zzzz_123123的博客
02-09 5977
简单来说，MSE计算简便，但MAE对异常点有更好的鲁棒性。训练一个机器学习模型时，目标就是找到损失函数达到极小值的点。当预测值等于真实值时，这两种函数都能达到最小。 分析：MSE对误差取了平方（令e=真实值-预测值），因此若e>1，则MSE会进一步增大误差。如果数据中存在异常点，那么e值就会很大，而e²则会远大于|e|。因此，相对于使用MAE计算损失，使用MSE的模型会赋予异常点更大的权...
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 5万+
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。
RMSE、MAE和MAPE
最新发布
Mazhenfeng_的博客
04-17 440
RMSE对误差异常值比较敏感，主要是由于其经历了平方这个过程，例如，一模型对某一数据a的预测误差是2，而对另一个数据b的预测误差是4，平方之后就分别是4和16，原先是差2倍，现在在误差上就是差4倍。在进行价格预测时，价格肯定会是大于0，假设真实价格是10，对于负预测值来说，最大也就是100%（0 减去10，再除以10就是100%，不可能再高了），而对于正预测来说，就没有这个限制了，误差可以是100%以上。2，MAE小，MAPE大，模型在真实值取值较小时，表现不佳，而在真实值取值较大时，表现更佳。
人工智能通识速览（Part4. 评估指标）
siper12138的博客
04-07 911
PR 曲线以精确率（Precision）为纵坐标，召回率（Recall）为横坐标。在不同的分类阈值下，模型会产生不同的精确率和召回率，将这些点连接起来就形成了 PR 曲线。精确率是指预测为正例的样本中真正正例的比例，召回率是指真实正例中被预测为正例的比例。PR 曲线展示了模型在精确率和召回率之间的权衡关系，曲线上的每个点代表了模型在某个特定阈值下的性能表现。
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
weixin_63522758的博客
03-26 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。它的含义就是，既然不同数据集的量纲不同，很难通过上面的三种方式去比较，那么不妨找一个第三者作为参照，根据参照计算 R方值，就可以比较模型的好坏了。这个参照是什么呢，就是均值模型。
MSE和MAE的比较
qishi的博客
06-20 1万+
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度， MSE可导，有closed-for...
机器学习之回归模型预测性能评估指标（RMSE、MSE、MAE、MAPE、SMAPE、R^2 Score、R^2 ）
有你真好的博客
07-15 1万+
机器学习就是通过大量的数据进行训练，然后得出输入数据的模型特征；再次输入相关的数据时，能得到一个预测的结果。这在现实生活中解决了大量的问题，如：股票预测、物体分类、房价预测等等，这些都依赖机器学习带给我们的便利。......
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
机器学习——需求预测——准确性（误差）统计——MAE、MSE、MAPE、WMAPE
huangguohui_123的博客
11-21 3万+
误差指标 公式（为预测值，为真实值） 特点 缺点 MAE 1、易受真实值量纲上的差别带来的影响 MSE 1、加倍惩罚极端误差 1、易受真实值量纲上的差别带来的影响 2、极端值的影响 MAPE WMAPE 一、平均绝对误差(Mean Absolute Error，MAE) 其中，为预测值，为真实值。 由于...
深度学习模型评价指标（RMSE、MSE、MAE、MAPE、SMAPE）
qq_41300595的博客
04-16 3807
MSE(均方误差Mean Square Error)
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
MSE 和 MAE
weixin_50267049的博客
11-23 4420
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度， MSE可导，有closed-form解，只需要令偏导数为0即可。 如何选择 如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进行异常值
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
u012254599的博客
11-01 3717
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。
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
热门推荐
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
对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理
あずにゃん梓喵的博客
08-20 3596
tensorflow 2.0 画出model网络模型的拓扑图 tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint） TensorBoard视觉化网络每层权重分布、视觉化网络层结构 MSE(均方误差)、MAE(平均绝对误差) from_logits CE(Cross-Entropy)、BCE(Binary Cross-Ent...
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 1万+
​讲解视频：可以在bilibili搜索《​。
MAE 和 MSE
qq_40341531的博客
04-16 292
深度学习中的MSE与MAE
qq_63075864的博客
12-22 867
均方误差（MSE）：是预测值与真实值之差的平方和的平均值，其数学表达式为，其中为样本数量，为第个样本的真实值，为第个样本的预测值。平均绝对误差（MAE）：是预测值与真实值之差的绝对值的平均值，其数学表达式为。
mse
03-11
<think>好的，我现在需要回答用户关于机器学习中均方误差（Mean Squared Error, MSE）的问题。首先，我需要回顾一下均方误差的基本定义和公式，确保自己理解正确。均方误差是监督学习中常用的损失函数，特别是在回归问题中，用来衡量模型预测值与真实值之间的差异。公式应该是预测值与真实值差的平方的均值，数学表达式为$$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$，其中$y_i$是真实值，$\hat{y}_i$是预测值，$n$是样本数量。 接下来，用户可能想知道MSE在机器学习中的具体应用。我需要解释MSE如何作为损失函数，在训练模型时通过最小化MSE来优化模型参数。例如，在线性回归中，通过梯度下降等方法调整权重，使MSE最小化。同时，可能还需要提到MSE的优缺点，比如它对大的误差惩罚更大，因为平方的关系，这使得模型会更关注大的错误，但这也可能导致对异常值敏感。 然后，用户提供的引用中有提到偏差（bias）和方差（variance）以及MSE的关系。根据引用[4]，样本方差的无偏估计是使用$n-1$而不是$n$作为分母，这可能和MSE的计算有关吗？不过MSE通常计算时使用的是样本数$n$，而不是$n-1$，因为这里不是在估计总体方差，而是在计算预测误差的平均。需要澄清这一点，避免混淆。另外，引用[4]还提到偏差和方差如何影响MSE，这可能涉及到模型的泛化误差分解为偏差平方、方差和噪声项，即$$E[(y - \hat{y})^2] = \text{Bias}(\hat{y})^2 + \text{Var}(\hat{y}) + \sigma^2$$。这里需要解释偏差-方差权衡，以及如何通过MSE来诊断模型是否过拟合或欠拟合。 用户的问题可能还会涉及到如何在实际中应用MSE，例如在代码中如何实现，或者如何在模型评估中使用。可能需要给出一个简单的Python示例，比如使用numpy计算MSE： ```python import numpy as np def mean_squared_error(y_true, y_pred): return np.mean((np.array(y_true) - np.array(y_pred)) ** 2) ``` 然后解释这段代码的作用，以及如何调用它。同时，可能还需要提到在机器学习库如scikit-learn中，已经有现成的MSE实现，比如`sklearn.metrics.mean_squared_error`。 此外，根据用户提供的引用，特别是引用[3]中提到的合成数据，可能需要讨论在数据合成过程中如何确保MSE的有效性，比如避免合成数据与真实数据分布差异过大，导致MSE在合成数据上表现好但在真实数据上差。这可能涉及到数据预处理和模型验证的步骤。 关于MSE的变种，比如均方根误差（RMSE）或平均绝对误差（MAE），也可以简要提及，比较它们与MSE的不同应用场景。例如，RMSE的量纲与原始数据一致，而MAE对异常值更鲁棒。 最后，根据用户的要求，生成相关问题。可能需要围绕MSE的公式、应用、优缺点、与其他指标的比较，以及在偏差-方差分解中的作用等方面提出问题。 需要确保回答结构清晰，分点解释，并正确引用相关文献。例如，在解释偏差-方差分解时引用[4]，在讨论数据合成时引用[3]等。同时，注意使用正确的中文表达，避免术语错误，并检查LaTeX格式是否正确，尤其是行内公式使用$...$，独立公式使用$$...$$并单独成段。</think>### 均方误差（Mean Squared Error, MSE） 均方误差是机器学习中用于衡量模型预测值与真实值之间差异的常用指标，尤其在回归任务中广泛应用。其核心思想是通过平方惩罚较大的预测误差，计算公式为： $$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$ 其中，$y_i$是真实值，$\hat{y}_i$是预测值，$n$为样本数量[^4]。 #### 1. MSE的数学性质 - **无偏性**：MSE本身不涉及无偏估计问题，但与其相关的样本方差计算中，分母为$n-1$时才是总体方差的无偏估计（如引用[4]所述）。而MSE的分母为$n$，因为它直接计算预测误差的平均平方。 - **可导性**：平方函数处处可导，使得MSE在梯度下降等优化算法中易于计算导数。 #### 2. MSE在机器学习中的应用 - **损失函数**：在训练回归模型时，MSE常作为损失函数。例如，线性回归通过最小化MSE求解最优参数： $$ \min_{\theta} \frac{1}{n}\sum_{i=1}^{n}(y_i - \theta^T x_i)^2 $$ - **模型评估**：MSE越小，说明模型预测越接近真实值。但需注意，MSE对异常值敏感，可能导致模型过度拟合噪声[^1]。 #### 3. 偏差-方差分解 MSE可分解为偏差平方、方差和噪声项： $$ MSE = \text{Bias}^2 + \text{Variance} + \sigma^2 $$ - **偏差**：模型预测值的期望与真实值的差异，反映模型本身的拟合能力。 - **方差**：模型对训练数据扰动的敏感程度，反映泛化能力。 高偏差可能导致欠拟合，高方差可能导致过拟合。 #### 4. 代码实现示例 使用Python计算MSE： ```python import numpy as np def mean_squared_error(y_true, y_pred): return np.mean((np.array(y_true) - np.array(y_pred)) ** 2) # 示例调用 y_true = [3, -0.5, 2, 7] y_pred = [2.5, 0.0, 2, 8] print("MSE:", mean_squared_error(y_true, y_pred)) # 输出：MSE: 0.375 ``` #### 5. 与其他指标的关系 - **RMSE（均方根误差）**：$RMSE = \sqrt{MSE}$，量纲与原始数据一致。 - **MAE（平均绝对误差）**：$MAE = \frac{1}{n}\sum |y_i - \hat{y}_i|$，对异常值更鲁棒。 #### 6. 合成数据中的注意事项 若使用合成数据训练模型（如引用[3]所述），需确保合成数据与真实数据分布一致，否则MSE在合成数据上的优化可能无法泛化到真实场景。
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