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