回归三大评价指标均方误差（MSE）：均方根误差（RMSE）平均绝对误差（MAE）平均绝对百分比误差 MAPE
发布时间
阅读量：
阅读量
对于回归预测结果而言，在这些指标中常见有多个用于评估其性能的指标参数。在这些指标中，我们首先将重点介绍其中三种经典的评估标准参数。
目录
平均绝对误差（MAE）
均方误差（MSE）：均方根误差（RMSE）
平均绝对百分比误差 MAPE
平均绝对误差（MAE）
MAE 的数值越小，则表明预测模型的精确度更高。MAE被用来衡量实验数据集上预测值与真实值之间的平均绝对误差。对于包含n条微博的小测验集而言，在测试集中计算得到的平均绝对误差即为MAE：
\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|
import numpy as np
def mae_value(y_true, y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mae -- MAE 评价指标
"""
n = len(y_true)
mae = sum(np.abs(y_true - y_pred))/n
return mae
代码解读均方误差（MSE）：均方根误差（RMSE）
它代表误差平方的期望值；其计算公式如下；...是用来衡量观察数据与其真实数值之间差异的一种指标；该方法对于异常数据具有较高的敏感度；其定义为。
import numpy as np
def mse_value(y_true, y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mse -- MSE 评价指标
"""
n = len(y_true)
mse = sum(np.square(y_true - y_pred))/n
return mse
代码解读平均绝对百分比误差 MAPE
MAPE 是 MAD 的变体形式，在其表示一种比率时便具备了易于理解的特点。当 MAPE 值为 5 时，则意味着预测结果与实际数值之间存在平均偏差的 5%水平。该指标的计算方法如下：MAPE 被用来衡量测试集上平均测试值与真实值之间的相对误差大小。具体而言，MAPE 被定义为
MAPE 值达到更小的程度，则表示预测模型展现出更高的准确性。借助 Python 实现 MSE 计算函数的具体实现步骤如下：
import numpy as np
def mape(y_true, y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mape -- MAPE 评价指标
"""
n = len(y_true)
mape = sum(np.abs((y_true - y_pred)/y_true))/n*100
return mape
代码解读全部评论 (0)
还没有任何评论哟~