matlab mse mae,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。看公式
image.png
这里的y是测试集上的。
用 真实值-预测值 然后平方之后求和平均。
猛着看一下这个公式是不是觉得眼熟,这不就是线性回归的损失函数嘛!!! 对,在线性回归的时候我们的目的就是让这个损失函数最小。那么模型做出来了,我们把损失函数丢到测试集上去看看损失值不就好了嘛。简单直观暴力!
均方根误差(RMSE)
RMSE(Root Mean Squard Error)均方根误差。
image.png
这不就是MSE开个根号么。有意义么?其实实质是一样的。只不过用于数据更好的描述。
例如:要做房价预测,每平方是万元(真贵),我们预测结果也是万元。那么差值的平方单位应该是 千万级别的。那我们不太好描述自己做的模型效果。怎么说呢?我们的模型误差是 多少千万?。。。。。。于是干脆就开个根号就好了。我们误差的结果就跟我们数据是一个级别的可,在描述模型的时候就说,我们模型的误差是多少万元。
MAE
MAE(平均绝对误差)
image.png
不用解释了吧。
R Squared
上面的几种衡量标准针对不同的模型会有不同的值。比如说预测房价 那么误差单位就是万元。数子可能是3,4,5之类的。那么预测身高就可能是0.1,0.6之类的。没有什么可读性,到底多少才算好呢?不知道,那要根据模型的应用场景来。
看看分类算法的衡量标准就是正确率,而正确率又在0~1之间,最高百分之百。最低0。很直观,而且不同模型一样的。那么线性回归有没有这样的衡量标准呢?答案是有的。
那就是R Squared也就R方
image.png
光看这些东西很懵逼,其中分子是Residual Sum of Squares 分母是 Total Sum of Squares
那就看公式吧
image.png
懵逼(X2)
慢慢解释。其实这个很简单。
上面分子就是我们训练出的模型预测的所有误差。
下面分母就是不管什么我们猜的结果就是y的平均数。(瞎猜的误差)
那结果就来了。
如果结果是0,就说明我们的模型跟瞎猜差不多。
如果结果是1。就说明我们模型无错误。
如果结果是0-1之间的数,就是我们模型的好坏程度。
如果结果是负数。说明我们的模型还不如瞎猜。(其实导致这种情况说明我们的数据其实没有啥线性关系)
化简上面的公式
分子分母同时除以m
image.png
那么分子就变成了我们的均方误差MSE,下面分母就变成了方差。
image.png
代码部分
具体模型代码就不给了。只说这个几种衡量标准的原始代码。
MSE
y_preditc=reg.predict(x_test) #reg是训练好的模型
mse_test=np.sum((y_preditc-y_test)**2)/len(y_test) #跟数学公式一样的
RMSE
rmse_test=mse_test ** 0.5
MAE
mae_test=np.sum(np.absolute(y_preditc-y_test))/len(y_test)
R Squared
1- mean_squared_error(y_test,y_preditc)/ np.var(y_test)
scikit-learn中的各种衡量指标
from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score#R square
#调用
mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
r2_score(y_test,y_predict)
matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared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 ...
- 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、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}=\{ ...
- 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 ...
- 机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC )(回归指标评价MSE、RMSE、MAE、MAPE、R Squared)
文章目录 1.机器学习中的评价指标 基础 (一)分类指标评价 1.Accuracy 2.Precision.查准率 3.Recall.查全率 4.F1-score 举个例子: 5.ROC 6.AUC ...
- 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 ...
- 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
- R语言使用lm函数拟合多项式回归模型:使用predict函数和训练好的模型进行预测推理、计算回归模型的评估指标MAE、MSE、RMSE、R方等指标
R语言使用lm函数拟合多项式回归模型:使用predict函数和训练好的模型进行预测推理.计算回归模型的评估指标MAE.MSE.RMSE.R方等指标 目录
- 回归模型评估指标(MAE、MSE、RMSE、R²、MAPE)
1.平均绝对误差(Mean Absolute Error, MAE):是绝对误差的平均值,可以更好地反映预测值误差的实际情况 def MAE(Y_real,Y_pre):#计算MAEfrom skle ...
最新文章
- xstat博客主题php,WordPress博客主题:Diaspora 简约文艺范主题
- 洛谷 P1091 合唱队型
- Visual Studio 远程调试正在运行的进程
- 因涉及微信小游戏“欢乐斗地主”不正当竞争纠纷 腾讯获途游游戏赔偿56万元...
- 三种动态创建元素区别
- HDU 1242 特殊化带结构体BFS
- ae效果英文版翻译对照表_AE中英文对照
- Java入门级项目 汽车租赁系统
- 二叉搜索树 根据前序序列求中序序列
- 思维导向树6级节点_8种常见的思维导图类型
- mathematica动态模型的建模分析
- Java字节码角度分析方法调用 ——提升硬实力7
- 美团:踩雷好几年,才总结出的数据治理避坑攻略
- 怎么搭建微信小程序的本地测试服务器
- php 7.3 新特性
- iOS开源库–最全的整理
- 大数据背景下谋划检务公开
- 响应式网站设计(2)-关于网站制作你不知道的那些文件儿
- 常用电平标准——LVTTL、LVCMOS、LVDS
- matlab的train函数用法,SVMtrain函数用法