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

最新推荐文章于 2025-03-19 15:20:13 发布
最新推荐文章于 2025-03-19 15:20:13 发布
阅读量2.7k 收藏 10
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 2805
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 5946
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...
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。......
误差评估指标整理--MAE、RMSE、MASE、MAPE、SMAPE、OWA、RMSLE
最新发布
hldsddy_s的博客
03-19 1472
其中，yt​是真实值；yt​​是预测值；n是样本数量。
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...
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 3491
MSE(均方误差Mean Square Error)
评价指标RMSE、MSE、MAE、MAPE、SMAPE 、R-Squared——python+sklearn实现
qq_41870157的博客
03-06 1万+
MSE 均方误差（Mean Square Error） 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 MAE 平均绝对误差（Mean Absolute Error) MAPE 平均绝对百分比误差（Mean Absolute Percentage Error) ...
基于卷积神经网络(CNN)时间序列预测 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
08-25
3. 均方根误差（RMSE）：MSE的平方根，也是误差的标准偏差，同样越小代表模型性能越好。 4. 平均绝对误差（MAE）：计算预测值与实际值之间差的绝对值的平均，它对异常值不敏感，适用于误差分布不均匀的情况。 5. ...
回归评价指标MSE、RMSE、MAE、MAPE及python实现
黄小猫又在写bug了！！喵喵喵
08-28 5万+
文章目录回归评价指标公式MSERMSEMAEMAPEpython实现numpysklearn参考： 回归评价指标公式 假设： 预测值：y^={y1^,y2^,…,yn^}\hat{y}=\{\hat{y_1},\hat{y_2},…,\hat{y_n}\}y^​={y1​^​,y2​^​,…,yn​^​} 真实值：y={y1,y2,…,yn}y=\{y_1,y_2,…,y_n\}y={y1​,y2​,…,yn​} MSE 均方误差 – Mean Square Error MSE=1n∑i=1n(yi^−yi
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 4400
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 3624
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 3583
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
04-16 288
深度学习中的MSE与MAE
qq_63075864的博客
12-22 798
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。
MAE RMSE MAPE
02-12
### MAE、RMSE 和 MAPE 的概念 #### 平均绝对误差 (MAE) 平均绝对误差(MAE)定义为预测值与实际观测值之间差额的绝对值之平均。该度量方法简单直观，易于理解，并且对异常值不那么敏感[^1]。 ```python import numpy as np def mean_absolute_error(y_true, y_pred): return np.mean(np.abs(y_true - y_pred)) ``` #### 均方根误差 (RMSE) 均方根误差(RMSE)，也称为标准误差，是通过求解平方损失函数得到的结果再开平方获得的一个衡量模型性能的重要参数。相比MAE而言，它更加重视较大的错误项，因为其先将残差进行了平方处理后再取平均并最终开方返回到原始尺度上。因此，在存在较大偏离的情况下，RMSE会给出更高的惩罚分数。 ```python def root_mean_squared_error(y_true, y_pred): mse = np.mean((y_true - y_pred)**2) rmse = np.sqrt(mse) return rmse ``` #### 平均绝对百分比误差 (MAPE) 平均绝对百分比误差(MAPE)是以百分比的形式来表达预测值同真实值间差异程度的一种方式。这种方式使得不同规模的数据集间的对比成为可能；不过需要注意的是如果某些数据点的真实值非常接近于0，则可能导致极高的甚至无穷大的MAPE值，这会影响整体评估的有效性和合理性。 ```python def mean_absolute_percentage_error(y_true, y_pred): mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100 return mape ``` ### 使用场景分析 - **MAE**适用于希望平等地对待所有的偏差情况下的回归问题； - **RMSE**适合那些特别在意极端值影响的应用场合，比如房价预估等； - **MAPE**则更多地被应用于需要跨多个数量级进行比较的情景之中，尤其是在商业销售预测等领域内广泛采用，但在面对含有零或负数的目标变量时需谨慎使用。
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