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

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. 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 & ...

  5. 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 ...

  6. 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 ...

  7. 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? ...

  8. 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 ...

  9. 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

  1. 修复GRUB [转]
  2. Hive Udf Rank
  3. 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?...
  4. RS485无线通讯模块工作原理及应用场景
  5. 产品经理认证(NPDP)知识体系指南(笔记2)
  6. isalpha isdigit isalnum isupper 检测字母或数字函数
  7. 微信扫一扫二维码直接打开手机外部浏览器
  8. 你努力工作会让老板感动吗?
  9. VBA 把电信的电话费用表转换成部门电话费用明细表(图文)
  10. mysql sending data 耗时_mysql查询语句出现sending data耗时解决
  11. 尚硅谷-SpringMVC篇
  12. IOS 5 拦截手机短信(需越狱)
  13. 一个神奇的分布式计算框架:jini
  14. jarvis oj(web wp)
  15. 贝叶斯概率综述和课堂思路整理.1
  16. Web前端学习笔记——HTML5与CSS3之购物车宣传案例
  17. 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
  18. 秒杀系统架构分析与实战 for java
  19. 4大行业实战案例,深度解析数字化转型升级路径
  20. virtualbox 虚拟机右键不能用复制粘贴

热门文章

  1. 【vscode】python工作目录添加到环境中
  2. 服务端的第六周第二次的课程
  3. deepin v20.4设置全局搜索的快捷键
  4. 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)
  5. docker客户端连接远程docker服务端(export方式)
  6. 【收藏】hdfs参数配置详解
  7. k8s暴露nginx NodePort端口命令:expose暴露端口使用示例
  8. k8s:pod容器的生命周期之init容器
  9. 图解Hadoop hdfs 管理元数据的机制
  10. python3数据类型:Dictionary(字典)