MSE均方误差、RMSE均方根误差、MAE平均绝对误差、方差、SD标准差、协方差Covariance
均方误差MSE(Mean Square Error)
MSE=1m∑i=1m(hi(x)−yi)2MSE = \frac{1}{m}\sum_{i=1}^m (h_i(x) - y_i)^2MSE=m1i=1∑m(hi(x)−yi)2
比如两组样本:
第一组有以下三个样本:3,4,5
第二组有以下三个样本:2,4,6
这两组的平均值都是4,但是第一组的三个数值相对更靠近平均值,也就是离散程度小,均方差就是表示这个的。
同样,方差、标准差(方差开根,因为单位不统一)都是表示数据的离散程度的。
在机器学习中,真实值与预测值的差值的平方和求平均,常被用做线性回归损失函数。
均方根误差RMSE(Root Mean Square Error)
RMSE=1m∑i=1m(hi(x)−yi)2RMSE = \sqrt{\frac{1}{m}\sum_{i=1}^m (h_i(x) - y_i)^2}RMSE=m1i=1∑m(hi(x)−yi)2
均方根误差是用来衡量观测值同真值之间的偏差,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。
常用来作为机器学习模型预测结果衡量的标准。
平均绝对误差MAE(Mean Absolute Error)or MAD
MAE=1m∑i=1m∣hi(x)−yi∣MAE= \frac{1}{m}\sum_{i=1}^m |h_i(x) - y_i|MAE=m1i=1∑m∣hi(x)−yi∣
平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。平均绝对误差由于离差被绝对值化,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。可以更好地反映预测值误差的实际情况。
方差(variance/deviation Var)
D=1m∑i=1m(xi−avg(x))2D = \frac{1}{m}\sum_{i=1}^m(x_i - avg(x))^2D=m1i=1∑m(xi−avg(x))2
标准差SD(Standard Deviation)
由于方差是数据的平方,与检测值本身相差太大,人们难以直观的衡量,所以常用方差开根号换算回来这就是我们要说的标准差。标准差是方差的算术平方根。标准差是用来衡量一组数自身的离散程度,是表示精确度的重要指标。一般用σ\sigmaσ表示。
SD=1m∑i=1m(xi−avg(x))2SD = \sqrt{\frac{1}{m}\sum_{i=1}^m(x_i - avg(x))^2}SD=m1i=1∑m(xi−avg(x))2
avg(x)是平均值avg(x)是平均值avg(x)是平均值
协方差(Covariance)
Cov(X,Y)=E[(X−E[X])(Y−E[Y])]=E[XY]−2E[Y]E[X]+E[X]E[Y]=E[XY]−E[X]E[Y]\begin{aligned} Cov(X,Y)&=E[(X-E[X])(Y-E[Y])] \\ &= E[XY]-2E[Y]E[X]+E[X]E[Y]\\ &= E[XY]-E[X]E[Y] \end{aligned}Cov(X,Y)=E[(X−E[X])(Y−E[Y])]=E[XY]−2E[Y]E[X]+E[X]E[Y]=E[XY]−E[X]E[Y]
协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。
如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变化趋势相反,即其中一个变量大于自身的期望值时另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。
如果X与Y是统计独立的,那么二者之间的协方差就是0,因为两个独立的随机变量满足E[XY]=E[X]E[Y]E[XY]=E[X]E[Y]E[XY]=E[X]E[Y]。
但是,反过来并不成立。即如果X与Y的协方差为0,二者并不一定是统计独立的。
MSE均方误差、RMSE均方根误差、MAE平均绝对误差、方差、SD标准差、协方差Covariance相关推荐
- 方差,标准差,标准误,均方根误差,平均绝对误差(SD,SE,RMSE,MAE)简单介绍
方差(variance/deviation Var,D(X) ) 定义:是每个样本值与全体样本值的平均数之差的平方值的平均数. 意义:表示数据离散程度. 公式: 实际工作中,总体均数难以得到时,应用样 ...
- 平均绝对误差的MATLAB怎么写,标准差、均方误差、均方根误差、平均绝对误差
1.标准差: 标准差是方差的算术平方根.标准差能反映一个数据集的离散程度.平均数相同的两组组数据,标准差未必相同. ------------------------------------------ ...
- 决定系数 均方误差mse_【机器学习】回归误差:MSE、RMSE、MAE、R2、Adjusted R2 +方差、协方差、标准差(标准偏差/均方差)、均方误差、均方根误差(标准误差)、均方根解释...
我们通常采用MSE.RMSE.MAE.R2来评价回归预测算法. 1.均方误差:MSE(Mean Squared Error) 其中, 为测试集上真实值-预测值. def rms(y_test, y): ...
- 均方误差越大越好_常用度量--MAE(平均绝对误差)和RMSE(均方根误差)
常用度量--MAE(平均绝对误差)和RMSE(均方根误差) 发布时间:2018-09-29 10:46, 浏览次数:3512 , 标签: MAE RMSE <>常用度量–MAE(平均绝对误 ...
- 均方根误差(RMSE),平均绝对误差(MAE),标准差(Standard Deviation);平均值、标准差、相关系数、回归线及最小二乘法
均方根误差(RMSE),平均绝对误差(MAE),标准差(Standard Deviation) RMSE Root Mean Square Error,均方根误差 是观测值与真值偏差的平方和与观测次数 ...
- MSE(均方误差)、MAE(平均绝对误差)
日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) tensorflow 2.0 画出model网络模型的拓扑图 ...
- 决定系数 均方误差mse_回归模型评价指标 SSE, MSE、RMSE、MAE、R-SQUARED
分类问题的评价指标是准确率, 常见回归算法的评价指标有SSE, MSE,RMSE,MAE.R-Squared. 误差平方和 SSE(Sum of Squares due to Error) 该统计参数 ...
- 回归评价指标MSE、RMSE、MAE、R-Squared
前言 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.下面一一介绍 均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation(标准差)
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.下面一一介绍: 1.均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 回归评价指标:MSE、RMSE、MAE、R2、Adjusted R2
我们通常采用MSE.RMSE.MAE.R2来评价回归预测算法. 1.均方误差:MSE(Mean Squared Error) 其中,为测试集上真实值-预测值. 2.均方根误差:RMSE(Root Me ...
最新文章
- 语言axff所占字节数_【每日一答】(74)数组名v.s.指针变量,C语言其实很简单形象比喻为“是一个朋友圈的”...
- docker 数据卷 volume
- 行意天下正文 Android Day02-Android中单元测试(junit测试)monkey测试
- 计算机网络华为模拟器,资源分享之计算机网络虚拟实践
- Ibatis 升级 Mybatis
- RxJava 2.x 教程
- 利用matlab绘制函数图像
- 专辑:Redis视频教程
- 【科研作图】软件推荐资源汇总PPT瑞思拜!
- 计算机网络结构示意图,常用的计算机网络拓扑结构
- Keil uVision5开发一个基于LPC17XX系列芯片的工程文件
- #S/4HANA 1610: Use case series intro and collection
- 前端三件套之CSS(二)
- 手写简易版Vue源码之数据响应化的实现
- Oracle如何快速、大量的插入数据
- 从 B 站火到 GitHub,国人开发者又一黑科技面世!
- paddle.fluid.io.xmap_readers
- 关于:请求中含有特殊字符,被禁止(已解决,可供参考)
- 机器学习之PAC学习框架
- 【117】基于完全同态加密的改进计算委托