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结果波动大 2、极端值的影响 3、不够直观(平方之后含义不好解释) |
|
MAPE | 1、较为直观(真实值和预测值的差) |
1、当真实值非常小,特别是接近0时,MAPE可能很大 |
|
WMAPE |
1、极端值带来的误差波动小 |
一、平均绝对误差(Mean Absolute Error,MAE)
其中,为预测值,为真实值。
由于可能存在数量级上的差别,导致相同的误差对最后的结果产生的影响存在数量级上的差别,这在某些实际应用场景下是存在问题的。例如一件卖了10件的商品预测值在5-15之间和卖了5000件的商品预测在4995-5005的贡献的MAE是一样的,但显然两个预测的准确度差异巨大。
二、均方误差(mean squarederror,MSE)
其中,为预测值,为真实值。
对每期预测值和实际值的差值进行平方,然后再对多期差值的平方取平均值,得到平均均方误差。
平方的好处是放大极端误差:对误差进行平方,就是加倍“惩罚”那些极端误差,凸显那些极端虚高或虚低的预测值,也是我们应该重点避免的对象。选择预测方法时,要尽量避免产生大错特错、极端误差的预测模型,用均方误差来量化预测准确度,能较好地排除这样的模型。
如以下数据所示
如果按照MAPE衡量误差,移动平均法优于简单指数平滑法,因为简单指数平滑法的平均误差为0.508,而移动平均法为0.458,后者更小。但从MSE来判断,结论正好相反。
我们尝试从最原始的偏差(预测-实际)进行分析,如下图所示,移动平均法的偏差差明显比简单指数平滑法的大,表现在极端值更大,上下变动幅度更大。相反,简单指数平滑法的实际误差更小,变动幅度也更小,而且相对均匀地正负相间。显然,简单指数平滑法是个更好的方法,这跟上面均方误差得出的结论一致。
同样,MSE同MAE一样,易受数量级的影响。其对极端值进行放大的特点,也使得其对极端值放大后,更大程度的影响最后的结论。
三、平均绝对百分比误差(mean absolute percentageerror,MAPE)
这个值很直观,但也容易误导:当实际值非常小,特别是接近0时,这一百分比可能很大;如果实际值是0的话,分母就是0,计算没有意义。解决方案是设定上限,比如平均绝对百分比误差不超过100%。
四、加权平均绝对误差百分比(Weighted Mean Absolute Percentage Error,WMAPE)
如以下数据,10个商品,根据实际值和预测值,计算的MAE、MSE、MAPE、WMAPE如下
假设商品5的实际销售变为0,则MAPE无法计算值,因为MAPE中的除数不能为0。
假设商品5由1变成2, 数据波动很小,但是我们发现MAPE的值相应的却波动很大,由0.305变为0.155,MAE、MSE、WMAPE的波动却很小。
所以在实际销售预测中,尤其在我们目前大数据的背景,动则就是亿级的数据,我们尽量用WMAPE值作为准确度指标,
机器学习——需求预测——准确性(误差)统计——MAE、MSE、MAPE、WMAPE相关推荐
- 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 ...
- 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 ...
- 用Python计算点估计预测评价指标(误差指标RMSE、MSE、MAE、MAPE) ,画图展示
机器学习的回归问题常用RMSE,MSE, MAE,MAPE等评价指标,还有拟合优度R2.由于每次预测出来的预测值再去和原始数据进行误差评价指标的计算很麻烦,所以这里就直接给出他们五个指标的计算函数.把 ...
- 深度学习常用损失MSE、RMSE、MAE和MAPE
MSE 均方差损失( Mean Squared Error Loss) MSE是深度学习任务中最常用的一种损失函数,也称为 L2 Loss MSE是真实值与预测值的差值的平方然后求和平均 范围[0,+ ...
- 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 ...
- 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
- 模型评估 | 机器学习回归模型评价(RMSE、MAE、MAPE)
模型评估 | 机器学习回归模型评价(RMSE.MAE.MAPE) RMSE.MAE.MAPE function result(true_value,predict_value,type) disp(t ...
- 序列预测中损失函数详解-MAE、MAPE、RMSE、Huber
损失函数 损失函数用来评价模型的预测值和真实值不一样的程度,损失函数越好,通常模型的性能越好. 文章目录 损失函数 前言 预测与偏置 常见的损失函数 Error 与 Bias RMSE 平均绝对误差( ...
- 李宏毅机器学习课程2~~~误差从哪里来?
Stanford机器学习-第六讲. 怎样选择机器学习方法.系统 误差来源 误差主要来自于偏差和方差. 数学上定义: 通过covariate X 预测 Y ,我们假设存在如下关系: Y = f(X) + ...
最新文章
- c#语言中代替指针,如何在C#中使指针通用?
- 记录一次Socket异常:java.net.SocketException: Connection reset
- Object与RTTI
- iPhone开发之BASE64加密和解密
- java基础常问面试题,面试必问
- appium+python自动化项目实战(一):引入nose和allure框架
- 单点登录 cas 设置回调地址_单点登录落地实现技术有哪些,有哪些流行的登录方案搭配?...
- AI(3)--手机上的AI技术
- TypeScript泛型详解
- Angular JS 学习笔记(二)
- 一本shell编程书籍上的有bug的shell程序,看谁能找出问题所在。
- 桌面无法显示计算机,win10 桌面计算机无法显示
- matlab随机数的生成,MATLAB随机数生成器
- 什么是 NAS? 为什么要用 NAS?有什么好玩的功能?
- PC网站实现微信扫码登录功能(一)
- 4核处理器_最便宜的16核洋垃圾怎么样?建议别买
- 相关系数与相关指数区别
- LTE终端分类-LTE UE category
- 62、backtrader的一些高级技巧---如何基于日线实现尾盘选股第二日卖出(各种订单的综合使用)?
- 擦边上100分,我的托福考试总结
热门文章
- Shell脚本书写方法详解
- .ldb文件到底派什么用场得?
- 视觉伺服控制工具Visual Servoing Platform---VISP(7)----vpServo这个看懂了就会用VISP了,很简单
- 4G+5G多卡聚合路由设备解决户外直播网络需求
- 【mysql报错】Data truncation: Data too long for column ‘XXX‘ at row 1
- spring上传文件
- Service(一、本地服务)
- caffe make runtest 错误
- An工具介绍之宽度工具、变形工具与套索工具
- 使用流报错:stream has already been operated upon or closed