PYTHON mae平均绝对误差 python 均方误差

python_误差分析

简介

在机器学习中，MSE和MAE是常用的评价回归模型的指标。

MSE(Mean Squared Error)均方误差，预测值与真实值之差的平方和的平均值：

MAE(Mean Absolute Error) 平均绝对误差：

计算过程

目标变量

target = [ -2.2, 0.1, -0.5,0.5, 1.5, 2.1]

预测结果

prediction = [ -4.7, -2.3, 0.75,1.5, 2.1, 3.3]

计算误差error

error = []
for i in range(len(target)):
    error.append(target[i] - prediction[i])

结果：

[2.5, 2.4, -1.25, -1.0, -0.6，-1.19]

计算误差squaredError和absError

squaredError = []
absError = []
for val in error:
    squaredError.append(val * val)#target-prediction之差平方 
    absError.append(abs(val))#误差绝对值
print("Square Error[误差平方]）: ", squaredError)
print("Absolute Value of Error[误差绝对值]: ", absError)

结果：

Square Error[误差平方]：[6.25, 5.76, 1.5625, 1.0, 0.36, 1.4399]
Absolute Value of Error[误差绝对值]:  [2.5, 2.4, 1.25, 1.0, 0.6, 1.199]

计算误差均方误差MSE

print( sum(squaredError))
print( len(squaredError))
print("MSE = ", sum(squaredError) / len(squaredError)) #均方误差MSE

结果：

sum(squaredError)：16.3725
len(squaredError)：6
MSE =  2.72875

计算误差平均绝对误差MAE

from math import sqrt
print("RMSE = ", sqrt(sum(squaredError) / len(squaredError)))#均方根误差RMSE
print("MAE = ", sum(absError) / len(absError))#平均绝对误差MAE

结果：

RMSE =  1.65
MAE =  1.49

计算误差方差和标准差

方差，是样本实际值与实际值的总体平均值之差的平方和的平均值，描述数据集的离散程度。

方差：

标准差：

targetDeviation = []
targetMean = sum(target) / len(target)  # target平均值
for val in target:
    targetDeviation.append((val - targetMean) * (val - targetMean))
print("Target Variance = ", sum(targetDeviation) / len(targetDeviation))  # 方差
print("Target Standard Deviation = ", sqrt(sum(targetDeviation) / len(targetDeviation)))  # 标准差

结果：

Target Variance[方差] =  1.939
Target Standard Deviation[标准差] =  1.39