回归模型效果评估系列2-MAE、MSE、RMSE、MAPE(MAPD)
2018-03-01 16:57
876 查看
MAE、MSE、RMSE、MAPE(MAPD)这些都是常见的回归预测评估指标,重温下它们的定义和区别以及优缺点吧
MAE(Mean Absolute Error) 平均绝对误差
是基础的评估方法,后面的方法一般以此为参考对比优劣。
MSE(Mean Square Error) 平均平方差
对比MAE,MSE可以放大预测偏差较大的值,可以比较不同预测模型的稳定性,应用场景相对多一点。
RMSE(Root Mean Square Error) 方均根差
因为使用的是平均误差,而平均误差对异常点较敏感,如果回归器对某个点的回归值很不合理,那么它的误差则比较大,从而会对RMSE的值有较大影响,即平均值是非鲁棒的。
改进:使用误差的分位数来代替,如中位数来代替平均数。假设100个数,最大的数再怎么改变,中位数也不会变,因此其对异常点具有鲁棒性。
平均平方差/均方误差是回归任务最常用的性能度量。
MAPE (Mean Absolute Percentage Error, 也叫mean absolute percentage deviation (MAPD)
MAPE不仅仅考虑预测值与真实值的误差,还考虑了误差与真实值之间的比例,在某些场景下,比如房价从0.5w到5w之间,0.5预测成1.0与5.0预测成4.5的差距是非常大的,在一些竞赛当中,MAPE也是常用的目标函数之一。
在统计领域是一个预测准确性的衡量指标。
MAE(Mean Absolute Error) 平均绝对误差
是基础的评估方法,后面的方法一般以此为参考对比优劣。
MSE(Mean Square Error) 平均平方差
对比MAE,MSE可以放大预测偏差较大的值,可以比较不同预测模型的稳定性,应用场景相对多一点。
RMSE(Root Mean Square Error) 方均根差
因为使用的是平均误差,而平均误差对异常点较敏感,如果回归器对某个点的回归值很不合理,那么它的误差则比较大,从而会对RMSE的值有较大影响,即平均值是非鲁棒的。
改进:使用误差的分位数来代替,如中位数来代替平均数。假设100个数,最大的数再怎么改变,中位数也不会变,因此其对异常点具有鲁棒性。
平均平方差/均方误差是回归任务最常用的性能度量。
MAPE (Mean Absolute Percentage Error, 也叫mean absolute percentage deviation (MAPD)
MAPE不仅仅考虑预测值与真实值的误差,还考虑了误差与真实值之间的比例,在某些场景下,比如房价从0.5w到5w之间,0.5预测成1.0与5.0预测成4.5的差距是非常大的,在一些竞赛当中,MAPE也是常用的目标函数之一。
在统计领域是一个预测准确性的衡量指标。
相关文章推荐
- 回归模型效果评估系列3-R平方
- 回归模型效果评估系列4-从协方差到相关系数
- python之MSE、MAE、RMSE
- 均方误差(MSE)根均方误差(RMSE)平均绝对误差(MAE)
- 均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
- 回归模型效果评估系列1-QQ图
- 【Spark Mllib】性能评估 ——MSE/RMSE与MAPK/MAP
- 回归评价指标MSE、RMSE、MAE、R-Squared
- 一步一步学Silverlight 2系列(30):使用Transform实现更炫的效果(下)
- ios开发学习--图表(Chart)效果源码分享--系列教程
- Silverlight & Blend动画设计系列七:模糊效果(BlurEffect)与阴影效果(DropShadowEffect) 推荐
- Silverlight & Blend动画设计系列七:模糊效果(BlurEffect)与阴影效果(DropShadowEffect) 推荐
- python + sklearn ︱分类效果评估——acc、recall、F1、ROC、回归、距离
- 如何评估CIO工作效果
- Python sklearn 分类效果评估
- 性能评估软件系列之需求
- ios开发学习-弹出视图(Popup View) 效果源码分享--系列教程2
- Hulu机器学习问题与解答系列 | 第七弹:非监督学习算法与评估
- ios开发学习--选项卡(Tab Bar) 效果源码分享--系列教程
- ios开发学习--文字视图(Text)效果源码分享--系列教程