深度学习常用损失MSE、RMSE、MAE和MAPE

已于 2023-05-18 21:47:37 修改
阅读量2.5w 收藏 106
点赞数 11
文章标签： 深度学习 人工智能 机器学习
于 2023-03-17 09:51:40 首次发布
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_48018951/article/details/129611907
版权

MSE 均方差损失（ Mean Squared Error Loss）

MSE是深度学习任务中最常用的一种损失函数，也称为 L2 Loss

MSE是真实值与预测值的差值的平方然后求和平均
在这里插入图片描述

范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大

在这里插入图片描述
MSE 曲线的特点是光滑连续、可导，便于使用梯度下降算法，是比较常用的一种损失函数。而且，MSE 随着误差的减小，梯度也在减小，这有利于函数的收敛，即使固定学习因子，函数也能较快取得最小值。

平方误差有个特性，就是当 yi 与 f(xi) 的差值大于 1 时，会增大其误差；当 yi 与 f(xi) 的差值小于 1 时，会减小其误差。这是由平方的特性决定的。也就是说， MSE 会对误差较大（>1）的情况给予更大的惩罚，对误差较小（<1）的情况给予更小的惩罚。从训练的角度来看，模型会更加偏向于惩罚较大的点，赋予其更大的权重。

如果样本中存在离群点，MSE 会给离群点赋予更高的权重，但是却是以牺牲其他正常数据点的预测效果为代价，这最终会降低模型的整体性能

最低0.47元/天 解锁文章
zzz_979
关注
深度解析回归模型评估指标：MAE、MSE、RMSE 与 R² 的详细讲解
cnzzs的博客
02-08 6641
下面是对 MAE、MSE、RMSE 和 R² 四个指标的详细解释、计算公式、特点以及应用场景的说明：1. MAE(平均绝对误差)定义： MAE(Mean Absolute Error)表示预测值与真实值之间绝对误差的平均值。公式：其中， 为真实值， 为预测值， 为样本数。特点：直观性： MAE 直接反映了预测误差的平均水平...
Python 误差分析——计算MSE RMSE R MAE MAPE
qq_40937619的博客
10-21 4795
Python 误差分析
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
误差评估指标整理--MAE、RMSE、MASE、MAPE、SMAPE、OWA、RMSLE
hldsddy_s的博客
03-19 1252
其中，yt​是真实值；yt​​是预测值；n是样本数量。
深度学习模型评价指标（RMSE、MSE、MAE、MAPE、SMAPE）
qq_41300595的博客
04-16 3350
MSE(均方误差Mean Square Error)
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。......
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。
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
u012254599的博客
11-01 3585
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。
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
卷积神经网络（CNN）是一种在深度学习领域广泛使用的模型，尤其在图像处理方面表现出色。...此外，高质量的代码示例使得学习者可以方便地理解和复现这个项目，对于提升自身的深度学习技能非常有帮助。
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
MSE、MAE、RMSE、MAPE、MARE、SMAPE、ACC、TOP k
weixin_44012667的博客
07-16 2500
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。
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...
RMSE、MAE和MAPE
最新发布
Mazhenfeng_的博客
04-17 203
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。
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
A34436791的博客
09-21 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。可以看出，RMSE=sqrt（MSE），因此，MSE 和 RMSE 二者是呈正相关的，MSE 值大，RMSE 值也大，所以在评价线性回归模型效果的时候，使用 RMSE 就可以了。
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 10万+
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...
回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）
y15659037739l的博客
04-05 2万+
1、平均绝对误差（Mean Absolute Error, MAE）：是绝对误差的平均值，可以更好地反映预测值误差的实际情况 2、均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差 3、均方根误差（RootMean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差 4、 ...
均方误差损失（MSE loss）—最常用的回归（Regression）损失
Winterfell01的博客
09-09 4196
mse loss介绍
【深度学习】002-损失函数：MSE、交叉熵、铰链损失函数（Hinge Loss）
m0_52447591的博客
03-27 6728
本文将主要讨论三种常见的损失函数：均方（MSE）损失、交叉熵损失和铰链损失。这些损失函数是在传统机器学习和深度学习模型中最常用的函数，所以本文清楚地讨论了每一个损失函数模型背后的基本理论，以及何时选择使用它们。
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