分类评价指标混淆矩阵pred positivepred negativeactual positiveTPFNactual negativeFPTNTrue和False是真实的标签，positive和negative是预测的值真阳性（TP）：诊断为有，实际上也有高血压。伪阳性（FP）：诊断为有，实际却没有高血压。真阴性（TN）：诊断为没有，实际上也没有高血压。伪阴性（FN）：诊断为没有，实际却有高
偏差是什么？ 为什么我说是预测值的偏差？这个值实质上，就是实际的label值与模型预测的label值之间的差值。这个十分容易理解，一般情况下，我们提升模型效果都是冲着降低偏差来的。方差是什么？ 在概率论、统计学等书本中都有会方差的介绍，方差（和标准差）表示的，就是一列数据的离散程度
转载
2023-09-27 22:26:04
450阅读
在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标，下文讲对其中某些指标做简要介绍。 &
转载
2024-01-02 12:49:06
2314阅读
混淆矩阵(Confusion Matrix)预测值为正(Positive)，并且真实值也为正(Positive)，预测为真(True)，True Positive (TP)。预测值为负(Negative)，但是真实值为正(Positive)，预测失败(False)，False Negative (FN)。预测值为正(Positive)，但是真实值为负(Negative)，预测失败(False)，F
转载
2024-09-23 06:12:47
169阅读
用这个随笔来记录一下评价分类模型中的一些性能指标：1.混淆矩阵（confusion matrix）混淆矩阵的格式如下：其中：
TP：预测值为正，真实值也为正，即正确预测出的正样本个数；
TN：预测值为负，真实值也为负，即正确预测出的负样本个数；
FP：预测值为正，真实值为负，即错误预测出的负样本个数（本来为负，被认为是正）；
FN：预测值为负，真实值为正，即错误预测出的正样本个数（
转载
2024-02-02 06:35:41
242阅读
误差指标公式（为预测值，为真实值）特点缺点MAE1、直观1、不同商品真实值量纲上的差别带来的MAE结果波动大MSE1、加倍惩罚极端误差1、不同商品真实值量纲上的差别带来的MSE结果波动大2、极端值的影响3、不够直观（平方之后含义不好解释）MAPE1、较为直观（真实值和预测值的差）1、当真实值非常小，特别是接近0时，MAPE可能很大WMAPE1、极端值带来的误差波动小一、平均绝对误差(Mean Ab
转载
2023-12-20 09:01:54
249阅读
# 机器学习中的预测值和真实值散点图
在机器学习的应用中，评估模型的性能是至关重要的一步。揭示变量之间的关系是一种有效的方法，而散点图正是展现这种关系的常用工具之一。在本文中，我们将探讨如何利用散点图来可视化机器学习模型的预测值与真实值之间的关系，并进一步介绍一些相关的技术点和代码示例。
## 散点图的基本概念
散点图是一种展示两个数值变量之间关系的图表形式。每个点表示一对变量的值，因此散点
预测准确度有多种统计方法，这里介绍常用的两种。第一种是绝对误差百分比，亦即文献中常出现的MAPE[1]。这个指标说起来挺拗口，计算起来其实很简单：实际值减去预测，取绝对值，除以实际值，得到百分比，再把多期的百分比平均就是了。这个值很直观，但也容易误导：当实际值非常小，特别是接近0时，这一百分比可能很大。解决方案是设定上限，比如绝对误差的百分比不超过100%。当然，有人或许会问，为什么是跟实际值比，
转载
2024-01-02 09:54:02
692阅读
模型模拟值一般为连续的值，实测值为点，且一般带有误差# 导入必要的包，定义文件读取函数
import os
import datetime
import pandas as pd
import numpy as np
from pcse.fileinput import CABOFileReader # 读取CABO文件（作物土壤文件）
from pcse.fileinput import YA
转载
2023-11-23 21:33:42
1050阅读
之前碰到多次星友提出类似这样的问题：展示预算和实际数据时，如果是已经发生的月份就显示实际数据，未发生的月份显示预算数据，并用不同的颜色区分，这应该怎么做呢？接着前面关于预算分析文章的介绍，如果直接把实际和预算数据放到簇状柱形图中，效果是这样的：现在打算实现的效果是，已经发生完整业务的月份就只显示实际数，未发生业务的月份只显示预算数。比如在这个案例中，完整的业务月份是到9月份，如何让1-9月显示实际
# 机器学习收益率预测：从数据到决策
金融市场如同一片风起云涌的海洋，投资者们总是在寻找能够帮助他们在动荡中找到价格波动趋势的工具。近年来，机器学习已经成为了这一领域的重要助力，特别是在预测股票收益率方面。本文将探讨如何利用机器学习进行收益率预测，并提供代码示例，帮助读者更深入地理解这一主题。
## 一、收益率预测的背景
收益率预测是指根据历史数据和市场特征预测未来投资回报的过程。它通常是量
文章目录一、混淆矩阵二、评价指标1.准确度（Accuracy）2.AUCROC曲线举例如何画ROC曲线AUC的计算AUC意味着什么为什么使用ROC曲线参考 一、混淆矩阵基于样本预测值和真实值是否相符，可得到4种结果： TP(True Positive):样本预测值与真实值相符且均为正，即真阳性 FP(False Positive):样本预测值为正而真实值为负，即假阳性 FN(False Nega
转载
2024-05-17 22:55:54
538阅读
实现效果： 1、实际值和预测值在连接点，只显示实际值 2、当预测值>计划值时，出现红色柱子，同时tooltip显示预测值、计划值和超计划值（超计划值=预测-计划） 3、当预测值<=计划值时，不出现红色柱子，同时tooltip显示预测值、计划值和超计划值=0 /*
实际值和预测值在连接点，只显示实际值
当预测值>计划值时，出现红色柱子，同时tooltip显示预测值、计划值
转载
2023-12-19 05:25:53
675阅读
首先介绍一下几个基本概念： 预测值为正例，记为P（Positive）预测值为反例，记为N（Negative）预测值与真实值相同，记为T（True）预测值与真实值相反，记为F（False）TP：预测类别是P（正例），真实类别也是PFP：预测类别是P，真实类别是N（反例）TN：预测类别是N，真实类别也是NFN：预测类别是N，真实类别是P所以，tpr就是真正例，fpr就是假正例ROC曲线是显示Clas
转载
2024-02-03 23:43:35
454阅读
目录前言MSERMSEMAPESMAPEPython程序前言分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。假设：MAE平均绝对误差（Mean Absolute Error）,观测值与真实值的误差绝对值的平均值。公式为：范围[0,+∞),当预测值与真实值完
转载
2024-03-19 21:00:26
547阅读
# 机器学习预测值与真实值的偏差
## 引言
在进行机器学习任务时，我们经常需要评估模型的预测效果。其中一个重要指标就是预测值与真实值之间的偏差。本文将介绍整个流程，并给出每个步骤所需的代码和注释。
## 流程概述
下面是预测值与真实值偏差的评估流程，我们将使用一个简单的线性回归模型作为示例。
```mermaid
journey
title 机器学习预测值与真实值的偏差评估流程
s
原创
2023-08-16 16:12:22
709阅读
一、相关概念1、真实值actual value和预测值predicted value这两者就是字面的意思，actual value是指真实记录的已发生的测量结果值，而predicted value是指对未发生的预测值。这里的值既可以是数值型，也可以是类别型。2、真True、假False这两个表示的是真实值与预测值之间是否吻合，true表示的是预测值与真实值一致，而false表示的是预测值与真实值不
本文介绍一些模型中常用的评价模型准确性的指标参考：Various ways to evaluate a machine learning model’s performanceEvaluation Criteria for Machine Learning Models本文针对回归问题和分类问题的不同，介绍对应的一些模型指标回归问题Mean Absolute Error (MAE)它是预测值与实际
转载
2023-10-18 16:46:58
627阅读
文章目录1 误差1.1 绝对误差1.2 相对误差1.3 算术平均误差1.4 标准误差1.5 误差来源1.5.1 随机误差1.5.2 系统误差1.5.3 过失误差【参考】【修改记录】 1 误差真值定义为：在某一时刻和某一状态下，某量的客观值或实际值。真值一般是未知的；相对意义上来说，真值又是已知的。误差定义为：试验中获得的试验值与它的客观真实值在数值上的不一致。1.1 绝对误差绝对误差（absol
转载
2024-04-09 22:03:54
322阅读
通过前面博文的介绍，对于分类有了一定的了解，由于在之前使用过sigmod函数进行梯度下降，所以对于这类算法也做了一个学习，今天正式学习了《机器学习实战》中的回归一章。分类针对离散数据，而回归针对连续型数据。回归的目的是预测数值型的目标值。h=w0x0+w1x1.....+wn*xn这个方程就是regression equation，其中的w0，w1，，，wn被称为regression weight
转载
2024-09-01 23:12:27
29阅读
