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)

  • 网易云怎么看在线状态(网易云怎么看在不在线)

    网易云怎么看在线状态(网易云怎么看在不在线)

  • 支付宝零花钱扣的是哪里的钱(支付宝零花钱扣钱怎么回事)

    支付宝零花钱扣的是哪里的钱(支付宝零花钱扣钱怎么回事)

  • 微信怎么开启扬声器播放语音(微信怎样开启扬声器功能)

    微信怎么开启扬声器播放语音(微信怎样开启扬声器功能)

  • airpods pro怎么关闭信息朗读(airpods pro怎么关机)

    airpods pro怎么关闭信息朗读(airpods pro怎么关机)

  • 荣耀手机怎么查看电池健康度(荣耀手机怎么查生产日期)

    荣耀手机怎么查看电池健康度(荣耀手机怎么查生产日期)

  • 华为 nova 7 pro 5g有几款颜色(华为 nova 7 pro 5g重量)

    华为 nova 7 pro 5g有几款颜色(华为 nova 7 pro 5g重量)

  • 小米air2支持弹窗的机型(小米air2s能弹窗吗)

    小米air2支持弹窗的机型(小米air2s能弹窗吗)

  • 域名有几个部分组成(域名有几个部分构成)

    域名有几个部分组成(域名有几个部分构成)

  • iphonex下巴宽度多少毫米(iphone下巴多宽)

    iphonex下巴宽度多少毫米(iphone下巴多宽)

  • 描述文件会泄漏隐私吗(描述文件会不会盗取信息)

    描述文件会泄漏隐私吗(描述文件会不会盗取信息)

  • 安卓手机有哪些(ai换脸免费软件安卓手机有哪些)

    安卓手机有哪些(ai换脸免费软件安卓手机有哪些)

  • 苹果11哪个是卡槽1(苹果11哪个卡槽是主卡)

    苹果11哪个是卡槽1(苹果11哪个卡槽是主卡)

  • 第一次开抖音直播没声音怎么回事(第一次开抖音直播发朋友圈说说)

    第一次开抖音直播没声音怎么回事(第一次开抖音直播发朋友圈说说)

  • 淘宝亲情号有什么用(淘宝亲情号有什么好处)

    淘宝亲情号有什么用(淘宝亲情号有什么好处)

  • 高通骁龙765g性能(高通骁龙骁龙765g)

    高通骁龙765g性能(高通骁龙骁龙765g)

  • 户户通机顶盒怎么升级(户户通机顶盒怎么关闭高清台)

    户户通机顶盒怎么升级(户户通机顶盒怎么关闭高清台)

  • 怎么在电脑上安装手机软件(怎么在电脑上安装五笔输入法)

    怎么在电脑上安装手机软件(怎么在电脑上安装五笔输入法)

  • 32g和16g内存区别(32g内存和16g内存)

    32g和16g内存区别(32g内存和16g内存)

  • 华为10plus有呼吸灯吗(华为10s呼吸灯怎么开)

    华为10plus有呼吸灯吗(华为10s呼吸灯怎么开)

  • ios12如何清理应用的缓存(iphone 12清除应用缓存)

    ios12如何清理应用的缓存(iphone 12清除应用缓存)

  • 微信怎么拍圆形视频(微信如何拍原图)

    微信怎么拍圆形视频(微信如何拍原图)

  • 如何消除手机号码标注(如何消除手机号码黄页)

    如何消除手机号码标注(如何消除手机号码黄页)

  • mgaqdesk.exe进程有什么作用  mgaqdesk进程查询

    mgaqdesk.exe进程有什么作用 mgaqdesk进程查询

  • ROS机器人自主导航详解(ros机器人自主导航中膨胀地图图层的颜色)

    ROS机器人自主导航详解(ros机器人自主导航中膨胀地图图层的颜色)

  • 初级职称经济法目录
  • 私车公用如何处理
  • 小规模纳税人进货分录
  • 新个税年终奖计算公式
  • 盘盈盘亏处理意见和建议
  • 住房公积金发票
  • 销售预付卡纳税税率
  • 红字发票重复提交了数据该怎么处理
  • 劳务报酬所得怎么扣税
  • 费用类都有哪些账户
  • 食品业企业
  • 已付款货物还未付款
  • 应征消费税的汽车为啥不能抵扣
  • 进口货物的增值税是进项税还是销项税
  • 企业只有收入没有支出是否违规
  • 水利建设专项收入税
  • 会计学堂值得购买吗
  • 应收账款核销会计处理
  • 资产计税基础是怎么填
  • 免税和零税率和税率区别
  • 股权转让怎么交个人所得税
  • 公司向法人借款会计分录
  • php curl模块
  • pytorch模型转tflite
  • vue前端组件库
  • 差旅费包干什么意思
  • php数据导出到excel
  • 怎么用html做一个收藏夹
  • 如何设置长期有效的群二维码安卓手机
  • 增值税逾期未申报怎么补申报
  • thinkphp django
  • php静态方法和非静态方法
  • 印花税应税凭证数量是什么意思
  • 中秋快乐的祝福语怎么说
  • mksysb命令
  • php 自动加载类
  • 小规模升级一般纳税人需要多久
  • 残保金最新
  • 法人和自然人有什么区别通俗一点
  • python如何运行
  • dedecms模版
  • 匿问我答查人
  • 私募基金成立的规模条件
  • sqlserver表数据导出导入
  • mongotemplate 分页查询
  • 分组计数什么意思
  • sql存储过程详解图
  • mysql Non-Transactional Database Only(只支持MyISAM)
  • 出口退的税交附加税吗
  • 公司注销时退还实收资本要交个税吗
  • 低值易耗品如何评估
  • 所得税费用科目的期末余额应直接转入
  • 小规模企业房产税减按50%
  • 房地产企业预缴增值税
  • 为什么说资产负债表是静态报表
  • 库存商品视频讲解
  • 确认收入一定要交增值税吗
  • 摊销方法如何选择
  • sqlserver锁表是什么意思
  • windows xp正式退休
  • xp系统鼠标设置在哪
  • iis怎么打开项目
  • sdis.exe
  • 如何进入win10安装界面
  • Linux Kernel 4.10第5个候选版本RTM版发布 2月12日发布正式版
  • linux虚拟机怎么调出命令行
  • win7开机显示一堆英文
  • 驱动人生公司怎么样
  • Win10 Build 10586.107正式推送 主要修复bug
  • jquery取value
  • jQuery插件ajaxFileUpload使用实例解析
  • js debounce实现
  • unity接入google内购
  • js混杂模式
  • 国家税务统一代码查询
  • 国家税务总局2012年20号公告
  • 进项税额转出应交税费吗
  • 电子专用发票怎么申请领用
  • 教师资格证认定流程
  • 化妆品关税怎么算
  • 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