版权声明:Laugh https://blog.csdn.net/laugh12321/article/details/85768477
对于回归预测结果,通常会有平均绝对误差、平均绝对百分比误差、均方误差等多个指标进行评价。这里,我们先介绍最常用的3个:
平均绝对误差(MAE)
就是绝对误差的平均值,它的计算公式如下:
其中,
表示真实值,
表示预测值,
则表示值的个数。MAE 的值越小,说明预测模型拥有更好的精确度。我们可以尝试使用 Python 实现 MAE 计算函数:
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
均方误差(MSE)
它表示误差的平方的期望值,它的计算公式如下:
其中, 表示真实值, 表示预测值, 则表示值的个数。MSE 的值越小,说明预测模型拥有更好的精确度。同样,我们可以尝试使用 Python 实现 MSE 计算函数:
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
平均绝对百分比误差 。
是
的变形,它是一个百分比值,因此比其他统计量更容易理解。例如,如果
为
,则表示预测结果较真实结果平均偏离
。
的计算公式如下:
其中, 表示真实值, 表示预测值, 则表示值的个数。 的值越小,说明预测模型拥有更好的精确度。使用 Python 实现 MSE 计算函数:
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
参考: