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

于 2024-07-16 14:16:59 发布
阅读量782 收藏 5
点赞数 3
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}}

朋也透william
关注
机器学习笔记四-----------------Prophet（时间序列模型）的校验方法及调参方法
YOULANSHENGMENG的博客
03-02 6206
一、诊断 1.1 交叉验证 Prophet 包括时间序列交叉验证功能，可使用历史数据测量预测误差。这是通过选择历史中的截止点来完成的，并且对于每个截止点，只使用直到该截止点的数据来拟合模型。然后，我们可以将预测值与实际值进行比较。该图说明了对 Peyton Manning 数据集的模拟历史预测，其中该模型适合 5 年的初始历史，并且预测是在一年的范围内进行的。 注：这里需要解释下horizon，initial和period的意义：initial代表了一开始的时间是多少，period代表每隔多长时.
【机器学习】27种确定性预测评估指标及其Python实现
fengdu78的博客
07-09 1401
在时间序列预测中，评价指标的多样性为模型性能的评估带来多角度的参考意义。该篇推文列举了当前已知的27种确定性预测评估指标及其Python的实现，其中Python的评估指标函数实现基于numpy库（调用方法：import numpy as np）。01 误差 def_error(actual:np.ndarray,predicted:np.ndarray): ...
回归评价指标：MSE、RMSE、MAE、MAPE、R2公式理解及代码实现
热门推荐
haosen
05-05 9万+
目录 预先假设： 平均绝对误差（MAE） 均方误差（MSE）均方根误差（RMSE） MAE：平均绝对误差；MAPE：平均绝对百分比误差 R2（R-Square）决定系数 通过sklearn库实现5种评价指标 预先假设： 平均绝对误差（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...
深度学习模型评价指标（RMSE、MSE、MAE、MAPE、SMAPE）
最新发布
qq_41300595的博客
04-16 1809
MSE(均方误差Mean Square Error)
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。......
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 7022
​讲解视频：可以在bilibili搜索《​。
回归评价指标:MAE、MSE、RMSE、MAPE和R-Squared
拟禾的个人技术博客
02-04 1万+
MAE、MSE、RMSE、MAPE、R-Squared傻傻分不清楚
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
u012254599的博客
11-01 2646
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。
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) ...
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
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. ...
回归模型的评估+MAE、MSE、RMSE、MAPE、SMAPE、R-squared
data+scenario+science+insight
06-01 2644
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
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
相关性、平均值、标准差、相关系数、回归线及最小二乘法
胡杰的专栏
01-20 8万+
平均值、标准差、相关系数、回归线及最小二乘法  相关性 线性相关 数据在一条直线附近波动，则变量间是线性相关 非线性相关 数据在一条曲线附近波动，则变量间是非线性相关 不相关 数据在图中没有显示任何关系，则不相关   平均值 N个数据 的平均值计算公式：       标准差 标准差表示了所有数据与平均值的平均距离，表示了数据的散度，如果标准差小，表示数据
【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 7232
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。
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
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
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 2万+
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...
MSE、RMSE、MAE、MAPE、SMPE是什么
06-08
这些是常见的用于衡量预测误差的指标： - MSE（Mean Squared Error，均方误差）是预测值与真实值之差的平方的平均值。 - RMSE（Root Mean Squared Error，均方根误差）是MSE的平方根。 - MAE（Mean Absolute Error，平均绝对误差）是预测值与真实值之差的绝对值的平均值。 - MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）是预测值与真实值之差的绝对值与真实值的比值的平均值，通常用百分数表示。 - SMPE（Symmetric Mean Percentage Error，对称平均百分比误差）是预测值与真实值之差的绝对值与两者的平均值的比值的平均值，通常用百分数表示。 这些指标在机器学习、时间序列分析等领域中广泛应用。
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