《美团机器学习实践》学习笔记：机器学习中的模型评价指标（二）——回归模型评估

版权声明：转载请注明来处 https://blog.csdn.net/qq_24034545/article/details/88663799

平均绝对误差（Mean Absolute Error, MAE）

也称L1范数损失，计算公式如下：

                                                                 

其中N为样本数，是真实值，是预测值。

MAE可以很好的刻画预测值与真实值的偏差。模型使用MAE作为损失函数则是对数据分布的中值进行拟合。

与之相似的是加权平均绝对误差（Weighted Mean Absolute Error, WMAE），计算公式如下：

                                                               

其中是第i个样本的权重。

平均绝对百分误差（Mean Absolute Percentage Error, MAPE）

MAPE的计算公式如下：

                                                               

MAPE在处无定义，且接近0时，MAPE将大于100%。MAPE对负值误差的惩罚大于正值误差。

均方根误差（Root Mean Squared Error, RMSE）

公式如下

                                                               

RMSE代表的是预测值与真实值差值的样本标准差。RMSE对大误差样本有更大的惩罚，对离群点敏感，健壮性不如MAE。模型使用RMSE作为损失函数时，是对数据分布的平均值进行拟合。

均方根对数误差（Root Mean Squared Logarithmic Error, RMSLE）

公式如下：

                                                               

RMSLE对预测值偏小的样本惩罚比预测偏大的惩罚更大。实际应用时，无法对其进行直接优化，因此需要先对预测目标进行对数转换，再按均方根误差来算，即

                                                             

最后对预测值进行还原

                                                             

参考：《美团机器学习实战》