目录
前言
MSE
RMSE
地图
SMAPE
电脑程式
前言分类问题的评价指标为精度,回归算法的评价指标为MSE、RMSE、MAE。 距离模型的平均距离越小,测试数据集中的点越准确。 使用平均距离,而不是所有测试示例的距离。 因为受到样本数量的影响。
假设:
MAE平均绝对误差(Mean Absolute Error ),观测值和真实误差绝对值的平均值。 公式如下。
如果预测值与真实值完全一致,则范围[0,]为0,即,完美模型; 误差越大,值越大。
RMSE均方根误差(Root Mean Square Error )实际上是MSE的根号。 这样在订单上很直观。 例如,RMSE=10表示回归效果与真实值相比平均相差10。
如果预测值与真实值完全一致,则范围[0,]为0,即,完美模型; 误差越大,该值越大。
上面的两个指标用于说明预测值与真值之间的误差。 这些差异在于,RMSE首先将偏差平方,
这样,如果误差的分散度高,也就是说,如果最大偏差值大,RMSE就会扩大。 例如如果真值为0,对于三次测定值分别为8、3、1
如果三次测量值分别为5、4、3
在这两种情况下,MAE都是但是因为前一种情况下有更大的偏离值,所以RMSE就大的多了。
MSE均方误差(Mean Square Error ) )。
如果预测值与真实值完全一致,则范围[0,]为0,即,完美模型; 误差越大,该值越大,模型的性能越差。
MAPE平均绝对百分比误差(Mean Absolute Percentage Error ) ) ) ) ) )。
范围[0,],MAPE为0%时表示完美的模型,MAPE大于100 %时表示劣质的模型。
正如你所看到的,MAPE很像MAE。 分母在增加。
注:如果真值包含等于0的数据,则存在分母除0的问题,不能使用此表达式。
SMAPE对称平均绝对百分比误差(symmetricmeanabsolutepercentageerror ) ) ) ) ) )。
注:如果真值具有等于0的数据,且预测值也等于0,则存在分母除0的问题,并且此公式不可用。
nMSE归一化均方误差(thenormalizedmeansquarederror (nmse ) ) ) ) ) ) ) ) ) )。
yi,y`i是第I个短视频的真实值和预测值。 MSE是计算预测值和真值之差的平方的期望值。 VAR是计算真值的方差。
SRC斯皮尔曼等级相关性(spearman’srankcorrelation ) )。
yji和y`ji是第j个时间步骤的第I个真值序列和预测序列。
Python程序# coding=utf-8 importnumpyasnpfromsklearnimportmetrics # mape和SMAPE必须自己实现defmape(y_true )。 y_pred(:returnNP.mean ) NP.ABS () y _ pred-/y_true (/y_true )/y _ true ) ) 100defsmape ) y _ true,y,y,y,y -3.0] ) y _ pred=NP.array ([ 1.0,4.5,3.5,5.0,8.0,4.5, 1.0] ) ms eprint (metrics.mean _ squared _ errray y _ pred ) # 8.107142857142858 # rms eprint (NP.sqrt (metrics.meared ) ) y_pred () ) 2.847304489713536 # Mae print (metrics.mean _ absolute _ error (y _ true,y_pred ) ) 1.928571428914288888888
参考:
预测评价指标RMSE、MSE、MAE、MAPE、SMAPE