文章目录
MAE、MSE、R-Square、MAPE和RMSE1.平均绝对误差(Mean Absolute Error, MAE)2.均方误差(Mean Squared Error, MSE)3.均方根误差(Root Mean Square Error, RMSE)4.平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)5.确定系数(R-Square or R2) Python代码:实现各评价指标MAE、MSE、R-Square、MAPE和RMSE
以上是对于预测问题的评价指标。
1.平均绝对误差(Mean Absolute Error, MAE)
误差越大,该值越大。
2.均方误差(Mean Squared Error, MSE)
误差越大,该值越大。
SSE(和方差)与MSE之间差一个系数n,即SSE = n * MSE,二者效果相同。
3.均方根误差(Root Mean Square Error, RMSE)
是MSE的算数平均根
误差越大,该值越大。
4.平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)
注意: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。
5.确定系数(R-Square or R2)
首先,残差平方和为:
总平均值为:
得到R2表达式为:
R2用于度量因变量的变异中可由自变量解释部分所占的比例,取值范围是 0~1,R2越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近,用x的变化来解释y值变化的部分就越多,回归的拟合程度就越好。
所以R2也称为拟合优度(Goodness of Fit)的统计量。
yi表示真实值,y^i表示预测值,y¯i表示样本均值。得分越高拟合效果越好。
Python代码:实现各评价指标
import numpy as npfrom sklearn import metrics# MAPE需要自己实现def mape(y_true, y_pred):return np.mean(np.abs((y_pred - y_true) / y_true))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, 3.8, 3.2, 3.0, 4.8, -2.2])# MSEprint('MSE:',metrics.mean_squared_error(y_true, y_pred)) # 0.2871428571428571# RMSEprint('RMSE:',np.sqrt(metrics.mean_squared_error(y_true, y_pred))) # 0.5358571238146014# MAEprint('MAE:',metrics.mean_absolute_error(y_true, y_pred)) # 0.4142857142857143# MAPEprint('MAPE:',mape(y_true, y_pred)) # 0.1461904761904762
## R2-scorefrom sklearn.metrics import r2_scorey_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]print('R2-score:',r2_score(y_true, y_pred)) # 0.9486081370449679
如果觉得《预测问题评价指标:MAE MSE R-Square MAPE和RMSE》对你有帮助,请点赞、收藏,并留下你的观点哦!