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 ...

matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared

matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared相关推荐

最新文章

热门文章