回归模型选择性能指标 | RMSE与MAE应用及其区别(L1-曼哈顿范数和L2-欧几里得范数)
机器学习回归问题常用的两种选择性能指标:
均方根误差(Root Mean Square Error-RMSE):
RMSE(X,h)=1m∑i=1m(h(x(i))−y(i))2RMSE(\bold X,h)=\sqrt{\frac{1}{m}\sum_{i=1}^m(h(x^{(i)})-y^{(i)})^2} RMSE(X,h)=m1i=1∑m(h(x(i))−y(i))2均方根误差测量的是数据序列与真实值之间关系,区别与概率论中的标准差(测量数据序列与均值之间的关系),之所以开平方是为了保证量纲相同。
平均绝对误差(Mean Absolute Error-MAE)
MAE(X,h)=1m∑i=1m∣h(x(i))−y(i)∣MAE(\bold X,h)=\frac{1}{m}\sum_{i=1}^m|h(x^{(i)})-y^{(i)}| MAE(X,h)=m1i=1∑m∣h(x(i))−y(i)∣适用情况:数据存在许多异常值时使用MAE,因为当数据异常时,RMSE是先对误差进行平方的累加后再开方,它其实是放大了较大误差之间的差距(代入几组数值即可得出此结论)。而MAE是真实误差,受异常值(极小值或极大值)影响较RMSE小。
两者的异同:
同:
都是测量的预测值和真实值两个向量距离的方法。
异:
(1)RMSE对应于常数与欧几里得范数的乘积,欧几里得范数称为L2范数或∣∣⋅∣∣2||·||_2∣∣⋅∣∣2,有时也称作||·||
(2)MAE对应于常数与曼哈顿范数的乘积,曼哈顿范数称为L1范数或∣∣⋅∣∣1||·||_1∣∣⋅∣∣1
【曼哈顿距离(L1范数)& 欧式距离(L2范数)区别】向量的范数可以简单形象的理解为向量的长度,或者向量到零点的距离,或者相应的两个点之间的距离。
向量的范数定义:向量的范数是一个函数||x||,满足非负性||x|| >= 0,齐次性||cx|| = |c| ||x|| ,三角不等式||x+y|| <= ||x|| + ||y||。一般情况下,包含n个元素的向量v\bold vv的LkL_kLk范数(K阶闵氏范数),定义成
∣∣v∣∣k=(∣v0∣k+∣v1∣k+⋅⋅⋅+∣vn∣k)1k||\bold v||_k=(|v_0|^k+|v_1|^k+···+|v_n|^k)^{\frac{1}{k}} ∣∣v∣∣k=(∣v0∣k+∣v1∣k+⋅⋅⋅+∣vn∣k)k1当k=0k=0k=0时,它表示的是这个向量非零元素的个数,称作汉明范数,当k→∞k\to \inftyk→∞时,它表示的是向量中最大的绝对值,称作切比雪夫范数。范数的指数越高,就越关注大的值而忽略小的值。这就是为什么RMSE比MAE对异常值更敏感。但是当异常值是指数分布(类似正态曲线)时,RMSE就表现很好。
参考资料:
- sklearn与TensorFlow机器学习指南
- 曼哈顿距离(L1范数)& 欧式距离(L2范数)区别
- 范数与距离的关系
- 衡量线性回归法的指标:MSE, RMSE和MAE
回归模型选择性能指标 | RMSE与MAE应用及其区别(L1-曼哈顿范数和L2-欧几里得范数)相关推荐
- 【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared. MSE和MAE适用于误差相对明显的时候,大的误差也有比较高的权重,RMSE则是针对误差不是很明显的 ...
- 回归模型选择(R语言版)
回归模型选择(R语言版) 选择准测: With Cp , AIC and BIC, smaller values are better, but for adjusted R2 , larger va ...
- 回归评价指标MSE、RMSE、MAE、R-Squared
前言 分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared.下面一一介绍 均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation(标准差)
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared.下面一一介绍: 1.均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 回归评价指标---MSE、RMSE、MAE、R-Squared
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared. MSE和MAE适用于误差相对明显的时候,大的误差也有比较高的权重,RMSE则是针对误差不是很明显的 ...
- 回归评价指标MSE、RMSE、MAE、MAPE及python实现
文章目录 回归评价指标公式 MSE RMSE MAE MAPE python实现 numpy sklearn 回归评价指标公式 假设: 预测值:y^={y1^,y2^,-,yn^}\hat{y}=\{ ...
- 机器学习模型常用评价指标(Accuracy, Precision, Recall、F1-score、MSE、RMSE、MAE、R方)
前言 众所周知,机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score,而回归模型最常用指标有MAE和RMSE.但是我们真正了解这些评价指标的意义吗? ...
- R构建岭回归模型(Ridge Regression)实战
R构建岭回归模型(Ridge Regression)实战 目录 R构建岭回归模型(Ridge Regression) 岭回归模型 选择最优λ值 交叉验证
- 应该掌握的7种回归模型
应该掌握的7种回归模型 本文转载自博客你应该掌握的7种回归模型!. 线性回归和逻辑回归通常是人们学习预测模型的第一个算法.由于这二者的知名度很大,许多分析人员以为它们就是回归的唯一形式了.而了解更多的 ...
最新文章
- 消除 Xcode7 中 directory not found for option 'xxxx' 警告
- display:none;与visibility:hidden;的区别
- Extjs嵌入html
- 关于TLS升级的问题
- Python+OpenCV:二维直方图(2D Histograms)
- Codeforces 436D Pudding Monsters
- 【数位dp】HDU3555:Bomb(入门题目)
- 坚果云升级后桌面出现一个文件夹
- 适合计算机课堂玩的游戏,几个课堂小游戏(能活跃课堂气氛)
- 为什么qq相册显示服务器数据错误,玩qq空间常遇到的问题及解决办法_qq空间
- 笔记|使用边框和背景(应用边框样式)
- 神威太湖之光计算机的知识点,神威太湖之光计算机系统.PDF
- 密集芯片的焊接技巧:从LQFP64说起
- 固定linux虚拟机ip地址,虚拟机下linux 系统网卡配置、固定IP地址
- UNIX下PageDown健如何捕捉
- MQ消息队列中间件:
- 深入了解服务注册与发现
- bootstrap中col-*-offset、col-*-push和col-*-pull的使用说明
- 中国网络安全相关政策法规(2020第一季度)
- webp文件怎么改成jpg?