预测模型的评价指标Matlab

一般情况下，所要预测的数据分为连续型数据和离散性数据。连续型数据比如成绩分数，时间序列等，离散性数据通常为划分的分类标签。针对不同的数据类型，衡量模型的准确程度采用不同指标，如比较一些算法的准确率，若预测的数据为离散型，则算法的准确性自然容易计算；若数据为连续型，想要评价算法的准确率似乎是很困难的，因为众多数据想要无误差的准确预测，那么所计算的准确率必然很低，所以我们就要采用其他指标进行衡量。因此，针对不同情况的评价指标如下：

1. 连续型数据

• 平均绝对误差（MAE）

平均绝对误差是绝对误差的平均值，绝对误差即实际值与预测值差的绝对值；能更好的的反应模型的预测效果

mae2 = sum(abs(T_sim2 -  T_test)) ./ N ;

T_sim2为测试集的实际值；T_test为测试集的预测值；N为测试集数据的个数

• 平均偏差误差（MBE)

平均偏差误差就是实际值与预测值之间的不同

mbe2 = sum(T_sim2 -  T_test) ./ N ;

T_sim2为测试集的实际值；T_test为测试集的预测值；N为测试集数据的个数

• 平均百分比误差（MAPE）

平均百分比误差可以用来对回归类算法进行评估，是一种相对度量；计算代码如下：

T_sim2为测试集的实际值；T_test为测试集的预测值；

error = T_sim2 - T_test;
MAPE1=mean(abs(error./T_test));
disp(['平均百分比误差MAPE为： ',num2str(MAPE1*100),'%'])

注：以上指标越小，说明模型预测效果越好

注：以下指标越小，说明模型预测效果越好

• R方（R-Squared)

R方是统计学里边常用的统计量，是一种易于计算并且直观性的度量相关性的指标，度量两个变量之间是否密切相关（如身高和体重），取值范围在[0,1]，越接近1，表明变量之间相关性越高。做拟合回归通常用到此指标。一般情况下，R方大于等于0.8，可以说高度相关，表示拟合效果好

扫描二维码关注公众号，回复： 16332197 查看本文章

R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

R2=1-SSE/SST

T_sim2为测试集的实际值；T_test为测试集的预测值；

2. 离散型数据

• 准确率（accuracy)

对于离散型数据，通过用于二分类算法中；若实际值等于预测值，则表示模型预测正确，计算所有测试集当中多少条被正确预测，准确率可以有效衡量模型的效果

error2 = sum((T_sim2 == T_test )) / N * 100 ;
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};

T_sim2为测试集的实际值；T_test为测试集的预测值；N为测试集数据的个数