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}=\{\hat{y_1},\hat{y_2},…,\hat{y_n}\}y^={y1^,y2^,…,yn^}
真实值:y={y1,y2,…,yn}y=\{y_1,y_2,…,y_n\}y={y1,y2,…,yn}
MSE
均方误差 – Mean Square Error
MSE=1n∑i=1n(yi^−yi)2MSE=\frac{1}{n}\sum_{i=1}^n(\hat{y_i}-y_i)^2MSE=n1i=1∑n(yi^−yi)2
RMSE
均方根误差 – Root Mean Square Error
RMSE=1n∑i=1n(yi^−yi)2RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^n(\hat{y_i}-y_i)^2}RMSE=n1i=1∑n(yi^−yi)2
MAE
平均绝对误差 – Mean Absolute Error
MAE=1n∑i=1n∣yi^−yi∣MAE=\frac{1}{n}\sum_{i=1}^n|\hat{y_i}-y_i|MAE=n1i=1∑n∣yi^−yi∣
MAPE
平均绝对百分比误差 – Mean Absolute Percentage Error
MAPE=100%n∑i=1n∣yi^−yiyi∣MAPE=\frac{100\%}{n}\sum_{i=1}^n|\frac{\hat{y_i}-y_i}{y_i}|MAPE=n100%i=1∑n∣yiyi^−yi∣
python实现
numpy
numpy的范数可以实现 MSE、RMSE、MAE,也可以都自己写。
numpy范数说明:
x_norm = np.linalg.norm(x, ord=None, axis=None, keepdims=False)
import numpy as np
y = np.array([1,1])
y_hat = np.array([2,3])
## 利用范数实现
## MSE--相当于y-y_hat的二阶范数的平方/n
MSE = np.linalg.norm(y-y_hat, ord=2)**2/len(y)
## RMSE--相当于y-y_hat的二阶范数/根号n
RMSE = np.linalg.norm(y-y_hat, ord=2)/len(y)**0.5
## MAE--相当于y-y_hat的一阶范数/n
MAE = np.linalg.norm(y-y_hat, ord=1)/len(y)## 自己写
MSE = np.mean(np.square(y - y_hat))
RMSE = np.sqrt(np.mean(np.square(y - y_hat)))
MAE = np.mean(np.abs(y-y_hat))
MAPE = np.mean(np.abs((y - y_hat) / y)) * 100
sklearn
sklearn.metrics 可以实现 MSE、RMSE、MAE
from sklearn import metrics
y = np.array([1,1])
y_hat = np.array([2,3])
MSE = metrics.mean_squared_error(y, y_hat)
RMSE = metrics.mean_squared_error(y, y_hat)**0.5
MAE = metrics.mean_absolute_error(y, y_hat)
MAPE = metrics.mean_absolute_percentage_error(y, y_hat)
回归评价指标MSE、RMSE、MAE、MAPE及python实现相关推荐
- 【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 ...
- 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
- 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 ...
- 模型评估 | 机器学习回归模型评价(RMSE、MAPE、R^2、NSE)
模型评估 | 机器学习回归模型评价(RMSE.MAPE.R^2.NSE) RMSE.MAPE.R^2.NSE % RMSE RMSE_test = sqrt(sumsqr(output_test - ...
- 预测评价指标:MSE,RMSE,MAE,MAPE,SMAPE
目录 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 ...
- 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 ...
- 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 ...
- 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, ...
最新文章
- 半导体制冷片中的N,P半导体测试
- 从零开始学JavaScript一(简介)
- 当我给小姐姐讲述为何黑客要挟制路由器DNS 该怎样实时发觉和防备的方法后,小姐姐那崇拜的眼神令我无法忘却
- [转]浅谈浏览器插件检测 和自定义协议的支持
- Regex Tester (免费有用)
- 让Keras更酷一些:中间变量、权重滑动和安全生成器
- 腾讯AI Lab发布「电竞虚拟人」,视频版本一次看!
- linux下基于源码软件安装的那些事
- Teamcenter 开发中的一些问题
- php insert方法,lInsert 命令/方法/函数
- 微信跳转浏览器提示_微信跳转外部浏览器跳转提示的2种实现方式
- IDEA插件开发之基础篇
- 引起相变的无序结构域(IDRs)怎么预测?跟踪热点,提升文章档次!
- C语言执行时进行窗口隐藏
- Android逆向-实战so分析-某洲_v3.5.8_unidbg学习
- 云计算企业级小架构部署应用综合练习-docker变种(一)
- matlab怎么输入斜杠,如何实现Matlab的mldivide(又称反斜杠运算符“ \”)
- java查询序列_基于JAVA的苹果序列号查询api调用代码实例
- 笑死:Welcome to Skip Thompson's Homepage
- ubuntu下新建用户