均方根误差有没有单位_Python误差评判:MAE、MSE、RSquare、MAPE和RMSE
MAE、MSE、R-Square、MAPE和RMSE
以上是对于预测问题的评价指标。
1.平均绝对误差(Mean Absolute Error, MAE)
误差越大,该值越大。
2.均方误差(Mean Squared Error, MSE)
误差越大,该值越大。
SSE(和方差)与MSE之间差一个系数n,即SSE = n * MSE,二者效果相同。
3.均方根误差(Root Mean Square Error, RMSE)
是MSE的算数平均根
误差越大,该值越大。
4.平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)
注意: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。
5.确定系数(R-Square or R2)
首先,残差平方和为:
总平均值为:
得到R2表达式为:
R2用于度量因变量的变异中可由自变量解释部分所占的比例,取值范围是 0~1,R2越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近,用x的变化来解释y值变化的部分就越多,回归的拟合程度就越好。
所以R2也称为拟合优度(Goodness of Fit)的统计量。
yi表示真实值,y^i表示预测值,y¯i表示样本均值。得分越高拟合效果越好。
OK,上例子。
import numpy as npfrom sklearn import metrics# MAPE实现def mape(y_true, y_pred): return np.mean(np.abs((y_pred - y_true) / y_true))y_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, 3.8, 3.2, 3.0, 4.8, -2.2])# MSEprint('MSE:',metrics.mean_squared_error(y_true, y_pred)) # 0.2871428571428571# RMSEprint('RMSE:',np.sqrt(metrics.mean_squared_error(y_true, y_pred))) # 0.5358571238146014# MAEprint('MAE:',metrics.mean_absolute_error(y_true, y_pred)) # 0.4142857142857143# MAPEprint('MAPE:',mape(y_true, y_pred)) # 0.1461904761904762## R2-scorefrom sklearn.metrics import r2_scorey_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]print('R2-score:',r2_score(y_true, y_pred)) # 0.9486081370449679
以上内容,供新人练手用。
均方根误差有没有单位_Python误差评判:MAE、MSE、RSquare、MAPE和RMSE相关推荐
- 机器学习——需求预测——准确性(误差)统计——MAE、MSE、MAPE、WMAPE
误差指标 公式(为预测值,为真实值) 特点 缺点 MAE 1.直观 1.不同商品真实值量纲上的差别带来的MAE结果波动大 MSE 1.加倍惩罚极端误差 1.不同商品真实值量纲上的差别带来的MSE结果波 ...
- 线性回归统计指标 SSE、MSE、RMSE、MAE、R-square
文章目录 @[toc] 一.SSE(和方差) 二.MSE(均方差) 三.RMSE(均方根) 四.MAE(平均绝对误差) 五.R-square(确定系数) 六.代码部分 SSE(和方差.误差平方和):T ...
- 回归问题中的MAE,MSE,MAPE与R方
MAE,MSE,MAPE和R方都是用于评估回归模型表现的指标.MAE(Mean Absolute Error)是平均绝对误差,MSE(Mean Squared Error)是均方误差,MAPE(Mea ...
- XY的模式识别学习笔记-最小平方误差准则分类 MSE
最小平方误差准则分类 MSE 最小平方误差准则分类 定义 简单例题及Matlab代码实现 大三数学狗,记录一下学习过程. 最小平方误差准则分类 定义 对线性不可分的样本集,不等式组 a T y i & ...
- 股票预测(数据为招商银行在A股的数据,模型为MSCNN_Bilstm_Attention,python,代码和数据均在压缩包里,可以直接运行,并使用MAE/MSE/MAPE/涨跌准确率作为指标)
1.数据介绍(考虑开盘价格,最高价格.最低价格,收盘价格等因素,预测未来的每天收盘价格): 2. 模型(MSCNN_Bilstm_Attention模型) 3.测试集的预测值和真实值 指标: 4.与另 ...
- 均方根误差有没有单位_1千万年仅误差一秒,这台钟直接影响北斗卫星的导航定位精度...
原子钟是北斗导航卫星的"心脏",直接决定了导航定位精度.若卫星存在十亿分之一秒(1纳秒)的时间误差,则会产生0.3米的测距误差. 作为新一代北斗导航卫星的三项关键技术之一,中科院上 ...
- 均方根误差有没有单位_装载机电子秤的功能特点以及误差的解决办法
装载机秤是一种特殊的称重设备,它称的是重型物料的某些物理参数,例如单铲值.累计值等.它有许多不同的种类,因此在机械工业.建工行业有许多广泛的应用.那么它的功能与特点是什么呢?出现数据误差又如何解决呢? ...
- python输入如何加单位_Python中的单位转换
我赞扬在科学计算应用程序中使用显式单位. 使用显式单位类似于刷牙. 它在前面增加了一些乏味,但是从长远来看,您获得的类型安全性可以节省很多麻烦. 比如说,不要让1.25亿美元的轨道器坠毁. 您可能还应 ...
- 利用pytorch实现平均绝对值误差(MAE)
LOSS functions L1Loss CLASS torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean') 创建一个标准 ...
最新文章
- 修复GRUB [转]
- Hive Udf Rank
- miui游戏驱动程序偏好设置_MIUI 11 期待吗?MIUI 10这几个小设置,你都了解吗?...
- RS485无线通讯模块工作原理及应用场景
- 产品经理认证(NPDP)知识体系指南(笔记2)
- isalpha isdigit isalnum isupper 检测字母或数字函数
- 微信扫一扫二维码直接打开手机外部浏览器
- 你努力工作会让老板感动吗?
- VBA 把电信的电话费用表转换成部门电话费用明细表(图文)
- mysql sending data 耗时_mysql查询语句出现sending data耗时解决
- 尚硅谷-SpringMVC篇
- IOS 5 拦截手机短信(需越狱)
- 一个神奇的分布式计算框架:jini
- jarvis oj(web wp)
- 贝叶斯概率综述和课堂思路整理.1
- Web前端学习笔记——HTML5与CSS3之购物车宣传案例
- HTML5span中加入超链接,HTML中文本标签,超链接标签以及图像标签的简单介绍
- 秒杀系统架构分析与实战 for java
- 4大行业实战案例,深度解析数字化转型升级路径
- virtualbox 虚拟机右键不能用复制粘贴
热门文章
- 【vscode】python工作目录添加到环境中
- 服务端的第六周第二次的课程
- deepin v20.4设置全局搜索的快捷键
- npm install时报平台不兼容Unsupported platform for xxx的解决办法:npm install -f强制安装(centos7下安装vite2 vue依赖时出现这个问题)
- docker客户端连接远程docker服务端(export方式)
- 【收藏】hdfs参数配置详解
- k8s暴露nginx NodePort端口命令:expose暴露端口使用示例
- k8s:pod容器的生命周期之init容器
- 图解Hadoop hdfs 管理元数据的机制
- python3数据类型:Dictionary(字典)