预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

首先声明，内容不是原创。只是摘录的别人的内容，写博客也是为了记录一下自己日常学到的知识，如果原创作者看到此文，可联系我删除。原博主里面有相关python代码。

原文链接：https://blog.csdn.net/guolindonggld/article/details/87856780

假设：
预测值：
真实值：

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！

————————————————
版权声明：本文为CSDN博主「手撕机」的原创文章,此处仅为转载文章,遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/guolindonggld/article/details/87856780