前言

MSE

RMSE

MAPE

SMAPE

Python程序

前言

分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。

假设：

MAE

平均绝对误差（Mean Absolute Error）,观测值与真实值的误差绝对值的平均值。公式为：

范围[0,+∞),当预测值与真实值完全吻合时等于0，即完美模型;误差越来大，值越大。

RMSE

均方根误差(Root Mean Square Error),其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。

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。

上面的两个指标是用来描述预测值与真实值的误差情况。它们之间在的区别在于，RMSE先对偏差做了一次平方，

这样，如果误差的离散度高，也就是说，如果最大偏差值大的话，RMSE就放大了。比如真实值是0，对于3次测量值分别是8，3，1，那么

如果3次测量值分别是5，4，3，那么

可以看出，两种情况下MAE相同，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)

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，模型性能越差。

MAPE

平均绝对百分比误差（Mean Absolute Percentage Error）

范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。

可以看到，MAPE跟MAE很像，就是多了个分母。

注意点：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！

SMAPE

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

注意点：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！

nMSE

归一化均方误差(the normalized Mean Squared Error (nMSE))

yi,y`i是第i个短视频的真实值和预测值。MSE是计算预测值和真实值之差的平方的期望值。VAR是计算真实值的方差。

SRC

斯皮尔曼等级相关性(Spearman’s rank correlation)

yji和y`ji是第j个时间步的第i个真实值序列和预测序列。

Python程序

# coding=utf-8
import numpy as np
from sklearn import metrics# MAPE和SMAPE需要自己实现
def mape(y_true, y_pred):return np.mean(np.abs((y_pred - y_true) / y_true)) * 100def smape(y_true, y_pred):return 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.5, 5.0, 8.0, 4.5, 1.0])# MSE
print(metrics.mean_squared_error(y_true, y_pred)) # 8.107142857142858
# RMSE
print(np.sqrt(metrics.mean_squared_error(y_true, y_pred))) # 2.847304489713536
# MAE
print(metrics.mean_absolute_error(y_true, y_pred)) # 1.9285714285714286
# MAPE
print(mape(y_true, y_pred)) # 76.07142857142858，即76%
# SMAPE
print(smape(y_true, y_pred)) # 57.76942355889724，即58%

参考：

预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE相关推荐

模型预测精度（数值regression）评价指标 - RMSE, MAE, MAPE Bias哪个指标更好？Forecast KPIs: RMSE, MAE, MAPE Bias
模型预测精度(数值regression)评价指标 - RMSE, MAE, MAPE & Bias哪个指标更好? 在销量/需求预测时常用的一些模型评价指标,尤其是在supplychain销量预 ...
ML之ME/LF：机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介、使用方法、代码实现、案例应用之详细攻略
ML之ME/LF:机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介.使用方法.代码实现.案例应用之详细攻略目录回归预测问题中评价指标简介 RMSE 标准差SD MSE函数
机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE
回归评价指标MSE、RMSE、MAE、MAPE及python实现
文章目录回归评价指标公式 MSE RMSE MAE MAPE python实现 numpy sklearn 回归评价指标公式假设: 预测值:y^={y1^,y2^,-,yn^}\hat{y}=\{ ...
python求均方根误差_python之MSE、MAE、RMSE的使用
我就废话不多说啦,直接上代码吧! target = [1.5, 2.1, 3.3, -4.7, -2.3, 0.75] prediction = [0.5, 1.5, 2.1, -2.2, 0.1, ...
机器学习9衡量线性回归法的指标，MSE,RMS,MAE
文章目录一.衡量线性回归法的指标,MSE,RMS,MAE 1.MSE均方误差(Mean Squared Error) 2.RSE均方误差(Root Mean Squared Error) 3.平均绝 ...
用Python计算点估计预测评价指标(误差指标RMSE、MSE、MAE、MAPE) ，画图展示
机器学习的回归问题常用RMSE,MSE, MAE,MAPE等评价指标,还有拟合优度R2.由于每次预测出来的预测值再去和原始数据进行误差评价指标的计算很麻烦,所以这里就直接给出他们五个指标的计算函数.把 ...
java的mape_深度学习-回归问题的评估指标：MAE, MAPE, MSE, RMSE, R2_Score
回归问题常用的评估指标回归问题常用的评估指标包括:MAE, MAPE, MSE, RMSE, R2_Score等. 这些评价指标基本都在 sklearn 包中都封装好了,可直接调用. 安装 skle ...
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared. MSE和MAE适用于误差相对明显的时候,大的误差也有比较高的权重,RMSE则是针对误差不是很明显的 ...

预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE

前言

MAE

RMSE

MSE

MAPE

SMAPE

nMSE

SRC

Python程序

预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE相关推荐

最新文章

热门文章