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)

  • 如何通过发帖方式推广网站?(通过帖子找到发帖人)

    如何通过发帖方式推广网站?(通过帖子找到发帖人)

  • 怎样实现营销型网站推广的终极目标?(怎样实现营销型企业发展)

    怎样实现营销型网站推广的终极目标?(怎样实现营销型企业发展)

  • 微信视频画面模糊怎么调整(微信视频画面模板)

    微信视频画面模糊怎么调整(微信视频画面模板)

  • 抖音怎么添加文字滚动(抖音怎么添加文案和话题)

    抖音怎么添加文字滚动(抖音怎么添加文案和话题)

  • iphone快充响两声(iphone快充响两声间隔)

    iphone快充响两声(iphone快充响两声间隔)

  • 被拉黑还能看到对方点赞吗(被拉黑还能看到对方个签吗)

    被拉黑还能看到对方点赞吗(被拉黑还能看到对方个签吗)

  • 无线装置关闭怎么解开(无线装置关闭怎么开启手机)

    无线装置关闭怎么解开(无线装置关闭怎么开启手机)

  • 滴滴出行实名认证不是本人怎么修改(滴滴出行实名认证有风险吗)

    滴滴出行实名认证不是本人怎么修改(滴滴出行实名认证有风险吗)

  • 奇异果tv怎么看电视直播(奇异果TV怎么看电视频道)

    奇异果tv怎么看电视直播(奇异果TV怎么看电视频道)

  • 移动网络短信什么意思(移动网内短信收费标准)

    移动网络短信什么意思(移动网内短信收费标准)

  • 用户与姓名不匹配怎么办(用户与姓名不匹配 健康码)

    用户与姓名不匹配怎么办(用户与姓名不匹配 健康码)

  • 2016051红米什么机型(红米手机新款是)

    2016051红米什么机型(红米手机新款是)

  • cpu芯片的作用是什么(cpu芯片内部包含什么组成)

    cpu芯片的作用是什么(cpu芯片内部包含什么组成)

  • 图形的两种表达方式(各种图形的表达式)

    图形的两种表达方式(各种图形的表达式)

  • 微信自动扣费如何开启(微信自动扣费如何关闭)

    微信自动扣费如何开启(微信自动扣费如何关闭)

  • 电脑选择连续文件用什么键(电脑如何连续选择文件)

    电脑选择连续文件用什么键(电脑如何连续选择文件)

  • vivo音乐怎么设置桌面歌词(vivo音乐怎么设置铃声)

    vivo音乐怎么设置桌面歌词(vivo音乐怎么设置铃声)

  • 一加7pro防水级别(一加七pro防水)

    一加7pro防水级别(一加七pro防水)

  • 拼多多在哪儿邀请新人(拼多多如何邀人)

    拼多多在哪儿邀请新人(拼多多如何邀人)

  • 苹果x怎么打标点符号(苹果手机标怎么打出来)

    苹果x怎么打标点符号(苹果手机标怎么打出来)

  • 苹果电脑怎么拖动窗口(苹果电脑怎么拖拽图片)

    苹果电脑怎么拖动窗口(苹果电脑怎么拖拽图片)

  • switch出厂带贴膜吗(switch出厂带膜吗)

    switch出厂带贴膜吗(switch出厂带膜吗)

  • 发微信语音对方忙线中(发微信语音对方无应答是怎么回事)

    发微信语音对方忙线中(发微信语音对方无应答是怎么回事)

  • 手机来电不显示名字(手机来电不显示接听界面)

    手机来电不显示名字(手机来电不显示接听界面)

  • 朋友圈怎么对单人开放(朋友圈怎么单条屏蔽别人)

    朋友圈怎么对单人开放(朋友圈怎么单条屏蔽别人)

  • 西西伯利亚森林中的阳光,俄罗斯拉杜日内市附近 (© Leonid Ikan/Shutterstock)(在西伯利亚森林中是真实故事吗)

    西西伯利亚森林中的阳光,俄罗斯拉杜日内市附近 (© Leonid Ikan/Shutterstock)(在西伯利亚森林中是真实故事吗)

  • Vue前端表格导出Excel文件(vue table导出excel)

    Vue前端表格导出Excel文件(vue table导出excel)

  • 织梦SEO专题的制作与优化技巧(织梦建站详细教程)

    织梦SEO专题的制作与优化技巧(织梦建站详细教程)

  • 税务会计的工作内容和心得
  • 金税盘业务
  • 速达3000货品怎么入库
  • 个人如何对公账户汇款
  • 什么情况下纳税调减
  • 应收账款项目分析思维导图
  • 缓缴税款到期缴纳罚款吗
  • 备品的定义
  • 国税申报需要带什么资料
  • 从境外取得的佣金
  • 剪头开发票
  • 红字发票打印乱码怎么办
  • 外汇实收资本如何做账
  • 固定资产清理会计处理例题
  • 投资收益填在经营所得申报表的哪里
  • 报销差旅费涉及的会计科目
  • 政府购买缴纳社保吗
  • bios如何恢复默认值
  • 余款退回会计分录
  • windows7网络无法连接
  • php扩展编写
  • mac如何改变照片图库
  • 全球矿业巨头力拓集团
  • php中execute
  • el-input_inner
  • 固定资产减少的账务处理
  • laravel入门与实战:构建主流php应用开发框架
  • php日期差
  • 注册教育培训机构需要哪些手续
  • thinkphp接收ajax数据
  • 税收滞纳金的最新法律规定
  • 企业所有的支出是什么
  • 【角色扮演】
  • 智慧工厂协同管控下载
  • apt-key is deprecated
  • ps一个页面怎么选中画板
  • 一般纳税人在哪里报税
  • 权益后利润是净利润么
  • 汽车折旧年限是几年内的
  • 国家研发费用补助
  • 预计资产负债表和预计利润表构成了整个财务预算
  • 资本支出预算属于经营预算吗
  • 企业食堂的费用入什么科目
  • 金税四期什么时候全国运行
  • 高铁票丢失了可以补打吗
  • 销货方开具红字发票还用给购买方吗
  • 劳动仲裁的调解书可以撤销吗
  • 固定资产内部转移流程
  • 出口收汇手续费需要在出口退税时扣除吗
  • 确定施工程序怎么写
  • 青苗赔偿规定
  • 转让价格名词解释
  • 协定存款是什么存款
  • 银行理财产品算银行存款吗
  • 投标保证金退回是不是没中标
  • 代别人公司发工资是工资薪金还是劳务报酬
  • 收到红字增值税发票哪里查
  • 办理营业执照需要什么条件
  • 总账的建账过程
  • winds密码忘记了
  • 修改ssh端口号
  • linux ldt
  • linux系统中用户账户有哪些分类
  • 禁用远程桌面服务登录
  • win10系统怎么修改字体大小
  • linux安装有哪几种方式
  • linux网卡添加vlan
  • Linux VPN 出现 807 错误的解决办法
  • 浮动浮动
  • 简述js和jquery的关系
  • javascript中函数
  • excel 工具栏
  • 教你如何使用玻璃胶
  • Unity通过图片生成3D模型
  • android怎么真机调试
  • javascript题
  • android4.4w
  • 陕西税务厅
  • 浙江省税务发票
  • 物业优质服务我们在行动
  • 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