轉自：http://blog.sina.com.cn/s/blog_628033fa0100kjjy.html

1.常見誤差計算方法：

SSE(和方差、誤差平方和)：The sum of squares due to error
MSE(均方差、方差)：Mean squared error
RMSE(均方根、標準差)：Root mean squared error
R-square(確定系數)：Coefficient of determination
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination

一、SSE(和方差)

該統計參數計算的是擬合數據和原始數據對應點的誤差的平方和，計算公式如下

二、MSE(均方差)

該統計參數是預測數據和原始數據對應點誤差的平方和的均值，也就是SSE/n，和SSE沒有太大的區別，計算公式如下

三、RMSE(均方根)

該統計參數，也叫回歸系統的擬合標準差，是MSE的平方根，計算公式如下

在這之前，我們所有的誤差參數都是基于預測值(y_hat)和原始值(y)之間的誤差(即點對點)。

從下面開始是所有的誤差都是相對原始數據平均值(y_ba)而展開的(即點對全)!!!

四、R-square(確定系數)

在講確定系數之前，我們需要介紹另外兩個參數SSR和SST，因為確定系數就是由它們兩個決定的：

(1)SSR：Sum of squares of the regression，即預測數據與原始數據均值之差的平方和，公式如下

(2)SST：Total sum of squares，即原始數據和均值之差的平方和，公式如下

“確定系數”是定義為SSR和SST的比值，故

“確定系數”是通過數據的變化來表征一個擬合的好壞。由上面的表達式可以知道“確定系數”的正常取值范圍為[0 1]，越接近1，表明方程的變量對y的解釋能力越強，這個模型對數據擬合的也較好。

2020-12-26更新————————

2.MAE

https://blog.csdn.net/capecape/article/details/78623897

Mean Absolute Error ，平均絕對誤差
是絕對誤差的平均值
能更好地反映預測值誤差的實際情況.

3.RMSE和MAE比較

RMSE也就是第二范數，MAE是第一范數，范數的計算公式：

k越大，即指數越大，對異常值（較大的值）越敏感，RMSE相較于MAE更敏感；

但當異常值少時，符合正態分布，RMSE就表現更好了。

4.MSE到底有沒有根號??

https://discuss.pytorch.org/t/how-is-the-mseloss-implemented/12972

torch在實現時非常簡單，就是((input-target)**2).mean()，平方然后均值這個樣子。

https://blog.csdn.net/xiaowei_cqu/article/details/9004193（待看）

天啦，一直都沒有，是我記錯了。。那個根號應該是針對L2距離（也就是L2范數）的，就是歐幾里得距離，而不是MSE

但是這個均值，我還是有問題，為什么不是針對樣本，而是針對每個值呢？我明白了，你最后獲得這個不也是得需要/len(x)的嘛，也就是針對每個樣本的損失了~~~.mean()算是針對每個特征的損失了。

總結

以上是生活随笔為你收集整理的MSE、MAE等误差计算方法学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。