| 预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE | 您所在的位置：网站首页 › is mad at等于什么 › 预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE |
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，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。 假设：
平均绝对误差（Mean Absolute Error）,观测值与真实值的误差绝对值的平均值。公式为：
范围[0,+∞),当预测值与真实值完全吻合时等于0，即完美模型;误差越来大，值越大。 RMSE均方根误差(Root Mean Square Error),其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。
范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。 上面的两个指标是用来描述预测值与真实值的误差情况。它们之间在的区别在于，RMSE先对偏差做了一次平方， 这样，如果误差的离散度高，也就是说，如果最大偏差值大的话，RMSE就放大了。比如真实值是0，对于3次测量值分别是8，3，1，那么
如果3次测量值分别是5，4，3，那么
可以看出，两种情况下MAE相同，但是因为前一种情况下有更大的偏离值，所以RMSE就大的多了。 MSE均方误差(Mean Square Error)
范围[0,+∞],当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大，模型性能越差。 MAPE平均绝对百分比误差（Mean Absolute Percentage Error）
范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。 可以看到，MAPE跟MAE很像，就是多了个分母。 注意点：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！ SMAPE对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error）
注意点：当真实值有数据等于0，而预测值也等于0时，存在分母0除问题，该公式不可用！ nMSE归一化均方误差(the normalized Mean Squared Error (nMSE))
yi,y`i是第i个短视频的真实值和预测值。MSE是计算预测值和真实值之差的平方的期望值。VAR是计算真实值的方差。 SRC斯皮尔曼等级相关性(Spearman’s rank correlation)
yji和y`ji是第j个时间步的第i个真实值序列和预测序列。 Python程序 # coding=utf-8 import numpy as np from sklearn import metrics # MAPE和SMAPE需要自己实现 def mape(y_true, y_pred): return np.mean(np.abs((y_pred - y_true) / y_true)) * 100 def smape(y_true, y_pred): return 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100 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, 3.5, 5.0, 8.0, 4.5, 1.0]) # MSE print(metrics.mean_squared_error(y_true, y_pred)) # 8.107142857142858 # RMSE print(np.sqrt(metrics.mean_squared_error(y_true, y_pred))) # 2.847304489713536 # MAE print(metrics.mean_absolute_error(y_true, y_pred)) # 1.9285714285714286 # MAPE print(mape(y_true, y_pred)) # 76.07142857142858，即76% # SMAPE print(smape(y_true, y_pred)) # 57.76942355889724，即58%参考： 预测评价指标RMSE、MSE、MAE、MAPE、SMAPE |
【本文地址】