MSE, MAE, RMSE 评估指标计算公式详解

MSE, MAE, RMSE 评估指标计算公式详解

在机器学习中，评估模型的性能是至关重要的。常用的评估指标包括均方误差 (MSE)、平均绝对误差 (MAE) 和均方根误差 (RMSE)。

1. 均方误差 (MSE)

均方误差 (MSE) 的计算公式为：

$$ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y_i})^2 $$

其中，$n$ 为样本个数，$y_i$ 为真实值，$\hat{y_i}$ 为预测值。

2. 平均绝对误差 (MAE)

平均绝对误差 (MAE) 的计算公式为：

$$ MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y_i}| $$

其中，$n$ 为样本个数，$y_i$ 为真实值，$\hat{y_i}$ 为预测值。

3. 均方根误差 (RMSE)

均方根误差 (RMSE) 的计算公式为：

$$ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y_i})^2} $$

其中，$n$ 为样本个数，$y_i$ 为真实值，$\hat{y_i}$ 为预测值。

总结：

• MSE、MAE 和 RMSE 都用于评估模型预测值与真实值之间的差异。
• MSE 和 RMSE 对较大的误差更加敏感，因为它们对误差进行了平方运算。
• MAE 对异常值不太敏感，因为它使用的是绝对值。

选择哪种评估指标取决于具体的应用场景。例如，如果需要对异常值更加敏感，则可以选择 MSE 或 RMSE。如果需要对异常值不太敏感，则可以选择 MAE。