1 MAE

• Mean Absolute Error ，平均絕對誤差
• 是絕對誤差的平均值

for x, y in data_iter:y=model(x)d = np.abs(y - y_pred)mae += d.tolist()#mae=sigma(|pred(x)-y|)/m MAE = np.array(mae).mean()

?MAE/RMSE需要結合真實值的量綱才能判斷差異。

2 RMSE?

• Root Mean Square Error,均方根誤差
• 是觀測值與真值偏差的平方和與觀測次數m比值的平方根。

for x, y in data_iter:y=model(x)d = np.abs(y - y_pred)mse += (d ** 2).tolist()#mse=sigma((pred(y)-y)^2)/m RMSE = np.sqrt(np.array(mse).mean())

MAE/RMSE需要結合真實值的量綱才能判斷差異。?

2.1?RMSE與MAE的對比

????????RMSE相當于L2范數，MAE相當于L1范數。

????????次數越高，計算結果就越與較大的值有關，而忽略較小的值。

????????所以這就是為什么RMSE針對異常值更敏感的原因（即有一個預測值與真實值相差很大，那么RMSE就會很大）。

????????最小化 MAE 的預測方法將導致預測中位數，而最小化 RMSE 將導致預測均值。

????????相對來說，MAE和MAPE不容易受極端值的影響；而MSE/RMSE采用誤差的平方，會放大預測誤差，所以對于離群數據更敏感，可以突出影響較大的誤差值。

?3 SD?

• Standard Deviation ，標準差
• 是方差的算數平方根

4 MSE

• Mean Squared Error，均方誤差

5 MAPE?

• Mean Absolute Percentage Error?平均絕對百分比誤差
• 范圍[0,+∞)，MAPE 為0%表示完美模型，MAPE 大于 100 %則表示劣質模型。
• 當真實值有數據等于0時，存在分母0除問題，該公式不可用！

?How to calculate MAPE with actual values at or close to 0 (stephenallwright.com)

for x, y in data_iter:y=model(x)d = np.abs(y - y_pred)mape += (d / y).tolist()#mape=sigma(|(pred(x)-y)/y|)/m MAPE = np.array(mape).mean()

這邊說的percentage error就是 Σ里面不帶絕對值的部分?

百分比誤差具有無單位的優勢，因此經常用于比較數據集之間的預測性能。

?

基于百分比誤差的度量的缺點是，如果 對于評估的時間片期間的任何 t，yt=0 。則這一個PE為無窮大，如果任何 yt 接近于零，則具有極端值。

6?SMAPE

• Symmetric Mean Absolute Percentage Error?對稱平均絕對百分比誤差
• 當真實值有數據等于0，而預測值也等于0時，存在分母0除問題，該公式不可用！

7 sklearn實現

sklearn 筆記整理：sklearn.mertics_UQI-LIUWJ的博客-CSDN博客

8 scaled error

????????在比較具有不同單位的時間序列的預測準確性時，提出了比例誤差scaled error作為PE percentage error的替代方法。

• 對于非季節性時間序列，一種有用的方法是定義一個naive的預測方法，來計算比例誤差

????????因為分子和分母都涉及原始數據尺度上的值，所以 qj 與數據尺度無關。

如果一個比例誤差是由 比naive預測更好的預測產生的，則qj小于 1。

相反，如果預測比naive預測更差，則qj大于 1。

• 對于季節性數據，我們可以：使用一個季節性naive預測方法，來達到同樣的效果：

8.1 MASE?mean absolute scaled error

?

總結

以上是生活随笔為你收集整理的RMSE、MAE等误差指标整理的全部內容，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。