Python和R均方根误差平均绝对误差算法模型

获悉以下详情，点击 指点迷津 | Brief 咨询。

1. 回归模型评估指标
2. 评估薪水预测模型
3. 评估员工倦怠率模型
4. 评估大气分析生成式对抗模型
5. 目标对象缺失下，性能估算法追踪模型误差指标
6. 降尺度大气学模拟模型准确性评估
7. 蛋白染色质相互作用模型评估
8. 回归模型误差评估指标归一化均方根误差
9. 生态状态指标
10. 神经网络成本误差计算
11. 气体排放气候算法模型

平均绝对误差表示数据集中实际值和预测值之间的绝对差的平均值。它测量数据集中残差的平均值。

$$ M A E=\frac{1}{N} \sum_{i=1}^N\left|y_i-\hat{y}\right| $$

Python方法一：使用公式

 actual = [2, 3, 5, 5, 9]
 calculated = [3, 3, 8, 7, 6]
 ​
 n = 5
 sum = 0
 ​
 # for loop for iteration
 for i in range(n):
     sum += abs(actual[i] - calculated[i])
 ​
 error = sum/n
 ​
 # display
 print("Mean absolute error : " + str(error))
 ​

方法二：使用sklearn

 from sklearn.metrics import mean_absolute_error as mae
 ​
 actual = [2, 3, 5, 5, 9]
 calculated = [3, 3, 8, 7, 6]
 ​
 error = mae(actual, calculated)
 ​
 print("Mean absolute error : " + str(error))
 ​

均方误差表示数据集中原始值和预测值之间的平方差的平均值。它测量残差的方差。

$$ M S E=\frac{1}{N} \sum_{i=1}^N\left(y_i-\hat{y}\right)^2 $$

示例：给定的数据点：(1,1)、(2,1)、(3,2)、(4,2)、(5,4) ，回归线方程：Y = 0.7X – 0.1

$$ \begin{array}{|l|l|l|} \hline X & Y & \hat{Y}_i \\ \hline 1 & 1 & 0.6 \\ \hline 2 & 1 & 1.29 \\ \hline 3 & 2 & 1.99 \\ \hline 4 & 2 & 2.69 \\ \hline 5 & 4 & 3.4 \\ \hline \end{array} $$

方法一：

 from sklearn.metrics import mean_squared_error
 ​
 Y_true = [1,1,2,2,4]
 ​
 Y_pred = [0.6,1.29,1.99,2.69,3.4]
 ​
 mean_squared_error(Y_true,Y_pred)
 ​

输出: 0.21606 方法二：

 import numpy as np
 ​
 Y_true = [1,1,2,2,4]
 Y_pred = [0.6,1.29,1.99,2.69,3.4]
 MSE = np.square(np.subtract(Y_true,Y_pred)).mean()

输出: 0.21606

均方根误差是均方误差的平方根。它测量残差的标准偏差。

$$ R M S E=\sqrt{M S E}=\sqrt{\frac{1}{N} \sum_{i=1}^N\left(y_i-\hat{y}\right)^2} $$