位置: IT常识 - 正文

机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE

编辑:rootadmin
机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE

推荐整理分享机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

💖作者简介:大家好,我是车神哥,府学路18号的车神🥇 ⚡About—>车神:从寝室到实验室最快3分钟,最慢3分半(那半分钟其实是等红绿灯) 📝个人主页:应无所住而生其心的博客_府学路18号车神_CSDN博客 🎉点赞➕评论➕收藏 == 养成习惯(一键三连)😋 📖本系列主要以学习Go语言打怪升级为标准,实现自我能力的提升为目标⚡ ⚡希望大家多多支持🤗~一起加油 😁

专栏

《Golang · 过关斩将》

《Neural Network》

《LeetCode天梯》

《Algorithm》

《Python》

《web》

预测评价指标背景均方误差(MSE)均方根误差(RMSE)平均绝对误差(MAE)平均绝对百分比误差(MAPE)对称平均绝对百分比误差(SMAPE)

最近论文在写关于极限学习机ELM的相关内容,在机器学习中有很重要的一点就是评级指标,这是判断你的算法性能很重要的、很有必要的一个评判标准,下面我们就一起来看看有哪些评价指标吧!~

背景

机器学习中,一般是对输出值,具体也就是对预测值 Y^\hat YY 和真实值 YYY 进行评价,利用以下的评价指标来表现预测和真实之间的差距,误差越小说明效果越好,性能越好!~

这里我们假设: Y^={y^1,y^2,...,y^n}−−预测值\hat{Y}=\{\hat{y}_1,\hat{y}_2,...,\hat{y}_n\}--预测值Y={y​1​,y​2​,...,y​n​}−−预测值

Y={y1,y2,...,yn}−−预测值{Y}=\{{y}_1,{y}_2,...,{y}_n\}--预测值Y={y1​,y2​,...,yn​}−−预测值

均方误差(MSE)

均方误差(Mean Square Error,MSE),反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量,(θ-t)2的数学期望,称为估计量t的均方误差。它等于σ2+b2,其中σ2与b分别是t的方差与偏倚。

MSE

MSE计算公式: MSE=1n∑i=1n(y^i−yi)2{MSE}=\frac{1}{n} \sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}MSE=n1​i=1∑n​(y​i​−yi​)2

解释:

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。 总而言之,值越小,机器学习网络模型越精确,相反,则越差。

均方根误差(RMSE)

均方根误差(Root Mean Square Error,RMSE),从名称来看,我们都能猜得到是什么意思。多了一个根,这个“根”的意思顾名思义,就只是加了个根号。均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根,在实际测量中,观测次数n总是有限的,真值只能用最可信赖(最佳)值来代替。

RMSE的计算公式: RMSE=1n∑i=1n(y^i−yi)2RMSE=\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}}RMSE=n1​i=1∑n​(y​i​−yi​)2​

解释:

它的计算方法是先平方、再平均、然后开方。均方根误差是用来衡量观测值同真值之间的偏差。和MSE同理,当我们的预测值和真实值之间的差距越小,模型精度越高;相反,则越低。

平均绝对误差(MAE)机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE

平均绝对误差(Mean Absolute Error,MAE),绝对偏差平均值即平均偏差,指各次测量值的绝对偏差绝对值的平均值。平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际预测误差的大小。

MAE

MAE计算公式: MAE=1n∑i=1n∣y^i−yi∣M A E=\frac{1}{n} \sum_{i=1}^{n}\left|\hat{y}_{i}-y_{i}\right|MAE=n1​i=1∑n​∣y​i​−yi​∣

解释:

范围[0,+∞),和MSE、RMSE类似,当预测值和真实值的差距越小,则模型越好;相反则越差。

平均绝对百分比误差(MAPE)

平均绝对百分比误差(Mean Absolute Percentage Error,MAPE),平均绝对百分比误差之所以可以描述准确度是因为平均绝对百分比误差本身常用于衡量预测准确性的统计指标,如时间序列的预测。

计算公式: MAPE=100%n∑i=1n∣y^i−yiyi∣M A P E=\frac{100 \%}{n} \sum_{i=1}^{n}\left|\frac{\hat{y}_{i}-y_{i}}{y_{i}}\right|MAPE=n100%​i=1∑n​∣∣∣∣​yi​y​i​−yi​​∣∣∣∣​

解释:

和上面的MAE相比,在预测值和真实值的差值下面分母多了一项,除以真实值。 范围[0,+∞),MAPE 为0%表示完美模型,MAPE 大于 100 %则表示劣质模型。

需要注意的一点!!!

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!

对称平均绝对百分比误差(SMAPE)

对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error,SMAPE)

SMAPE计算公式为: SMAPE=100%n∑i=1n∣y^i−yi∣(∣y^i∣+∣yi∣)/2S M A P E=\frac{100 \%}{n} \sum_{i=1}^{n} \frac{\left|\hat{y}_{i}-y_{i}\right|}{\left(\left|\hat{y}_{i}\right|+\left|y_{i}\right|\right) / 2}SMAPE=n100%​i=1∑n​(∣y​i​∣+∣yi​∣)/2∣y​i​−yi​∣​

解释:

与MAPE相比,加了对称,其实就是将分母变为了真实值和预测值的中值。和MAPE的用法一样,范围[0,+∞),MAPE 为0%表示完美模型,MAPE 大于 100 %则表示劣质模型。

同样,值得注意的一点!!!

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!

这里也给出一下Python代码:

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time : 2021/12/21 15:05# @Author : 府学路18号车神# @Email :yurz_control@163.com# @File : Evaluation_index.pyimport numpy as npfrom sklearn import metrics# 将sklearn的也封装一下吧# MSEdef mse(y_true, y_pred): res_mse = metrics.mean_squared_error(y_true, y_pred) return res_mse# RMSEdef rmse(y_true, y_pred): res_rmse = np.sqrt(metrics.mean_squared_error(y_true, y_pred)) return res_rmse# MAEdef mae(y_true, y_pred): res_mae = metrics.mean_absolute_error(y_true, y_pred) return res_mae# sklearn的库中没有MAPE和SMAPE,下面根据公式给出算法实现# MAPEdef mape(y_true, y_pred): res_mape = np.mean(np.abs((y_pred - y_true) / y_true)) * 100 return res_mape# SMAPEdef smape(y_true, y_pred): res_smape = 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100 return res_smape# mainif __name__=='__main__': # 由于没有用模型,这里就随机出几个值来测试下吧 y_true = np.random.random(10) print(y_true) y_pred = np.random.random(10) print(y_pred) # MSE print(mse(y_true, y_pred)) # RMSE print(rmse(y_true, y_pred)) # MAE print(mae(y_true, y_pred)) # MAPE print(mape(y_true, y_pred)) # 得到的值直接看成百分比即可 # SMAPE print(smape(y_true, y_pred)) # 得到的值直接看成百分比即可

❤坚持读Paper,坚持做笔记,坚持学习,坚持刷力扣LeetCode❤!!! 坚持刷题!!!打天梯!!! ⚡To Be No.1

⚡⚡哈哈哈哈

⚡创作不易⚡,过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´・ᴗ・` )

『 只是相谈就会开心起来,沉浸在温柔的眼神当中,竭尽全力的思念,悄悄地奉献。 』

本文链接地址:https://www.jiuchutong.com/zhishi/298468.html 转载请保留说明!

上一篇:Vue自定义指令(含常用8种指令封装)(vue自定义指令生命周期)

下一篇:NLP进阶,Bert+BiLSTM情感分析实战(nlp baseline)

  • 非独立核算的分公司可以开票吗
  • 商品房价格居高不下的原因
  • 一般纳税人附加税优惠政策2023
  • 详述关税的种类和征收方法
  • 培训费的其他费用是什么
  • 免税农产品发票开具时税率怎么选
  • 能直接从公司账户向个人账户转钱吗
  • 一般纳税人抵扣进项税分录
  • 商品类别发票能抵扣吗
  • 换出交易性金融资产入账价值
  • 出差补贴计入工资总额吗
  • 单位买绿植可以报销吗
  • 2021年成本类科目
  • 两家公司原材料能否借用
  • 购进出口商品的会计分录
  • 固定资产减少会怎么样
  • 个人转租房屋需交税吗
  • 生产企业的安全员好干吗
  • 所得税汇算清缴调整项目
  • 预收房款缴所得税会计分录怎么写?
  • 以前年度损益调整结转到哪里
  • 所得减免优惠明细表减免项目包括几项
  • 零申报的资产负债表不能为0
  • 纳税人签字
  • 5年内亏损弥补账务
  • 专项维修基金所得税可税前扣除吗?
  • 工程税金计入哪个账户
  • 企业所得税赞助费是否可税前扣除
  • 企业所得税申报表A类
  • 知识产权 申请
  • windowsserver2008r2
  • 苹果推送改不掉三全音
  • linux怎么下载安装腾讯Tim?
  • 企业清算剩余财产分配是否交个人所得税
  • php odbc
  • linux bsub
  • 后端接口返回数据类型规范
  • php array_map 和 foreach性能
  • 承兑到期解付为什么不到账
  • 应收款余额在借方什么意思
  • 安个小窝
  • php restful接口
  • 房屋租赁发票怎么入账
  • 拔缴经费收入
  • 呕心沥血的历史人物
  • Programming tutorials and source code examples
  • 资本公积常用的计量方法
  • mysql查询数据库前五条信息
  • mongodb4
  • "服务业"
  • 印花税的缴纳
  • 外贸会计的工作内容
  • 个人开发者要缴税吗
  • 银行承兑汇票到期未承兑怎么办
  • 应付账款不用付了怎么做账
  • 不合格产品会计处理
  • 应收利息的会计分录怎么写
  • 预提费用如何做账务处理
  • 质量问题扣货款会计怎么处理
  • 应付职工社会保险费计入什么科目
  • 会计的凭证怎么做账
  • 修改mysql字段默认值
  • mysql太慢
  • sqlserver 表分区工具
  • windows锁定用户
  • win2003加速开机
  • freebsd使用手册
  • win8 防火墙
  • xp系统怎么禁止软件联网
  • win7系统怎么把c盘的内存加到d盘
  • Linux中RedHat CentOS Ubuntu Fedora的区别详解
  • xcode a build only device
  • jquery 动态添加列表元素
  • android入门视频教程
  • 生成0-100的随机数,直到生成88为止,停止循环
  • unity3d android 插件
  • 浏览器环境下的事件循环
  • js数组的push方法
  • 出口退税应退税额未发生变化 骗税
  • 承租房变更承租人申请怎么写
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设