深度学习中常用的误差方法有:
-
标准差(Standard Deviation):
标准差也叫均方差,是方差的算术平方根,反应数据的离散程度 ,标准差越小,数据偏离平均值越小,反之亦然 。
公式为:
python代码为:
import math
#平均值
def get_average(records):
return sum(records) / len(records)
#方差
def get_variance(records):
average = get_average(records)
return sum([(x - average) ** 2 for x in records]) / len(records)
#标准差
def get_standard_deviation(records):
variance = get_variance(records)
return math.sqrt(variance)
-
均方误差MSE(mean-square error)
均方误差 反映估计量与被估计量之间的差异程度。MSE越小,预测结果月精确 。
公式为 :
python代码为:
def get_mse(records_real, records_predict):
if len(records_real) == len(records_predict):
return sum([(x - y) ** 2 for x, y in zip(records_real, records_predict)]) / len(records_real)
else:
return None
-
均方根误差RMSE(root mean squared error)
均方根误差为均方误差的算术平方根。公式为:
python代码为:
def get_rmse(records_real, records_predict):
mse = get_mse(records_real, records_predict)
if mse:
return math.sqrt(mse)
else:
return None
-
平均绝对误差MAE(mean absolute error)
python代码为:
def get_mae(records_real, records_predict):
if len(records_real) == len(records_predict):
return sum([abs(x - y) for x, y in zip(records_real, records_predict)]) / len(records_real)
else:
return None
参考资料: