机器学习笔记--模型评估之一：准确率与召回率，平均根误差（RMSE、平均绝对百分比误差（MAPE）

最新推荐文章于 2024-07-16 14:16:59 发布
最新推荐文章于 2024-07-16 14:16:59 发布
阅读量3k 收藏 7
点赞数 1
分类专栏： 学习笔记 文章标签： 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/wwxsoft/article/details/119883805
版权
本文探讨了评估分类模型性能的几个关键指标，包括准确率、精确率、召回率和F1分数。准确率是分类正确的样本占比，精确率关注正确正样本在预测正样本中的比例，而召回率则衡量正样本被正确识别的程度。F1分数综合考虑了精确率和召回率。在面对异常值时，平均根误差（RMSE）可能会受到较大影响，此时可选用平均绝对百分比误差（MAPE）作为替代评估标准。选择合适的评估指标对于模型的优化至关重要。
摘要由CSDN通过智能技术生成

准确率：分类正确的样本占总样本个数的比例，Accuracy=ncorrect/ntotal

精确率Precision：精确率是指分类正确的正样本个数占分类器判定为正样本的样本个数比例

召回率Recall：分类正确的正样本个数占真正的正样本个数的比例

如何评估排序模型的性能？

F1 Score和ROC曲线能综合反映一个排序模型的性能

F1=（2*Precision*Recall）/（Precision+Recall)

平均根误差

RMSE（Root Mean Square Error）经常用来衡量回归模型的好坏，但也有指标失效的时候

 

其中：Yi是第i个样本点的真实值；^Yi是第i个样本点的预测值，m是样本点个数

一般情况下，RMSE能很好地反映回归模型预测值与真实偏离程度，但是在实际问题中，如果存在个别偏离程度非常大的离群点，即使离群点数量非常少，也会让RMSE指标变得很差

可以找个合适的指标来评估，比如MAPE，平均绝对百分比误差

MAPE：Mean Absolute Percentage Error

 

 

dudu妈
关注
专栏目录
【机器学习Q&A】准确率、精确率、召回率、ROC和AUC
小哲的博客
06-28 850
评价指标的局限性问题1：准确率的局限性问题2：精确率与召回率的权衡问题3：平方根误差的“意外”参考资料 评价指标是针对将相同的数据，输入不同的算法模型，或者输入不同参数的同一种算法模型，而给出这个算法或者参数好坏的定量指标。 在模型评估过程中，往往需要使用多种不同的指标进行评估，在诸多的评价指标中，大部分指标只能片面的反应模型的一部分性能，如果不能合理的运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。 本文将详细介绍机器学习分类任务的常用评价指标：准确率（Accuracy）、精确率（Prec
人工智能-分类模型-评估指标（一）：混淆矩阵【准确率=所有预测正确的样本/总的样本、精确率=将正类预测为正类/所有预测为正类、召回率=将正类预测为正类/所有真正的正类、F1-Measure】【代码】
u013250861的博客
01-07 3231
机器学习(ML)，自然语言处理(NLP)，信息检索(IR)等领域，评估(Evaluation)是一个必要的工作。 一、混淆矩阵 对于二分类的模型，预测结果与实际结果分别可以取0和1。我们用N和P代替0和1，T和F表示预测正确和错误。将他们两两组合，就形成了下图所示的混淆矩阵（注意：组合结果都是针对预测结果而言的）。 由于1和0是数字，阅读性不好，所以我们分别用P和N表示1和0两种结果。变换之后为PP，PN，NP，NN，阅读性也很差，我并不能轻易地看出来预测的正确性与否。因此，为了能够更清楚地分辨各种预测情况
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
RMSE、MAPE、准确率、召回率、F1、ROC、AUC数据挖掘中的性能指标总结
ge_nious的博客
03-06 2万+
RMSE(root mean square error)均方根误差 单纯统计误差的值。   MAPE(mean absolute percentage error) 平均百分比误差 存在一个和原始数据相比较的过程。   准确率（precision）P： P=TP/(TP+FP) TP(true positive) FP(false positive) P是代表预测为真...
MSE、MAE、RMSE、MAPE、MARE、SMAPE、ACC、TOP k
最新发布
weixin_44012667的博客
07-16 773
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。
MAPE 平均绝对百分误差
djph26741的博客
09-03 4850
from fbprophet.diagnostics import performance_metrics df_p = performance_metrics(df_cv) df_p.head() horizonmsermsemaemapecoverage 3297 37 days 0.481970 0.694241 0.50293...
java的mape_python中的MAPE（平均绝对百分比误差）测量结果
weixin_35400275的博客
03-05 3741
我尝试在我的随机林代码中测量MAPE(平均绝对百分比误差)值。MAE值为7.5。当我试图计算MAPE时，它输出：Accuracy: -inf %这是我计算MAPE的代码。如何使它工作，或者为什么它不计算一个值。在^{pr2}$以下是值：errors: array([ 2.165, 6.398, 2.814, ..., 21.268, 8.746, 11.63 ])test_labels: a...
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 6984
​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
机器学习-sklearn-项目学习大全
06-29
- **MAPE：平均绝对百分比误差** - **SMAPE:平均绝对百分比误差** - **WMAPE:加权的平均绝对百分比误差** - **决定系数（R-squared, R²）**：衡量模型拟合程度的好坏。 **5.3 代码实践** - **导入库和准备数据**...
机器学习模型，评估指标之回归模型---公式+优缺点+代码
AIYA_aya的博客
07-14 8176
机器学习模型评价指标大概有 1、回归的：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficient of determination (决定系数R2)、 MAPE（平均绝对百分误差）、MSLE（均方根对数误差）等。 2、分类的：混淆矩阵、精确率、召回率、准确率、F1值、ROC-AUC 、PRC、G-MEAN等。 3、聚类的：兰德指数、互信息、轮廓系数等。 ...
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE
04-29
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE 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
[KO机器学习] Day 7 模型评估：评估指标的局限性
l love CV
05-05 1042
“没有测量，就没有科学。。” 这是科学家门捷列夫的名言。在计算机科学特别是机器学习领域中，对模型的评估同样至关重要。只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要分为离线评估和在线评估两个阶段。针对分类排序、回归、序列预测等不同类型的机器学习问题，评估指标的选择也有所不同。知道每种评估指标的精确定义、有针对性地选择合适的评估指标、根据评估指标的反馈进行模型调整，这些都是机器学习在模型评估阶段的关键问题，也是一名合格的算法工程师应当具备的基本功
RMSE、MAE与MAPE的计算
qq_43118572的博客
04-15 4741
RMSE RMSE = Sqrt(1/N * sigma(vi - v^l)^ 2) MAE MAE = 1/N sigma|vi - v^l| MAPE MAPE = 1/N sigma[ |vi - v^l| / vi ]
回归三大评价指标均方误差（MSE）：均方根误差（RMSE）平均绝对误差（MAE）平均绝对百分比误差 MAPE
热门推荐
Jiashilin
08-19 7万+
对于回归预测结果，通常会有平均绝对误差、平均绝对百分比误差、均方误差等多个指标进行评价。这里，我们先介绍最常用的3个 目录 平均绝对误差（MAE） 均方误差（MSE）：均方根误差（RMSE）​ 平均绝对百分比误差 MAPE 平均绝对误差（MAE） MAE 的值越小，说明预测模型拥有更好的精确度。The MAE is used to measure the average abso...
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。......
深度学习模型评价指标（RMSE、MSE、MAE、MAPE、SMAPE）
qq_41300595的博客
04-16 1789
MSE(均方误差Mean Square Error)
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 2万+
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。
平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）
06-01
平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）都是评估预测模型好坏的指标。 其中，平均绝对误差（MAE）是预测值与真实值之间差值的绝对值的平均数，它能够反映出模型的预测精度，其计算公式为：MAE = （|真实值 - 预测值|之和）/ 样本数量。 均方根误差（RMSE）则是预测值与真实值之间差值的平方的平均数再开根号，RMSE可以反映出预测误差的标准差，其计算公式为：RMSE = sqrt(（真实值 - 预测值）^2之和/ 样本数量）。 平均绝对百分比误差（MAPE）则是用预测值与真实值之间差值的绝对值除以真实值再取平均数，可以用来衡量模型对不同样本的预测精度，其计算公式为：MAPE = （|真实值 - 预测值|/ 真实值之和）* 100% / 样本数量。
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