回归三大评价指标均方误差（MSE）：均方根误差（RMSE）平均绝对误差（MAE）平均绝对百分比误差 MAPE

对于回归预测结果，通常会有平均绝对误差、平均绝对百分比误差、均方误差等多个指标进行评价。这里，我们先介绍最常用的3个

 

目录

平均绝对误差（MAE）

均方误差（MSE）：均方根误差（RMSE）​

平均绝对百分比误差 MAPE

---

平均绝对误差（MAE）

MAE 的值越小，说明预测模型拥有更好的精确度。The MAE is used to measure the average absolute error between the predicted value and the real value on the experimental data set. For a test set containing n microblog messages, MAE is defined as:

import numpy as np

def mae_value(y_true, y_pred):
    """
    参数:
    y_true -- 测试集目标真实值
    y_pred -- 测试集目标预测值
    
    返回:
    mae -- MAE 评价指标
    """
    
    n = len(y_true)
    mae = sum(np.abs(y_true - y_pred))/n
    return mae

均方误差（MSE）：均方根误差（RMSE）

它表示误差的平方的期望值，它的计算公式如下 MASE is used to measure the deviation between the observed value and the true value. MASE is more sensitive to outliers. MASE is defined as follows：

import numpy as np

def mse_value(y_true, y_pred):
    """
    参数:
    y_true -- 测试集目标真实值
    y_pred -- 测试集目标预测值
    
    返回:
    mse -- MSE 评价指标
    """
    
    n = len(y_true)
    mse = sum(np.square(y_true - y_pred))/n
    return mse

平均绝对百分比误差 MAPE

MAPE  是 MAD 的变形，它是一个百分比值，因此比其他统计量更容易理解。例如，如果 MAPE 为 5，则表示预测结果较真实结果平均偏离 5 %。MAPE 的计算公式如下：MAPE is used to measure the relative errors between the average test value and the real value on the test set. MAPE is defined as:

MAPE 的值越小，说明预测模型拥有更好的精确度。使用 Python 实现 MSE 计算函数：

 

import numpy as np

def mape(y_true, y_pred):
    """
    参数:
    y_true -- 测试集目标真实值
    y_pred -- 测试集目标预测值
    
    返回:
    mape -- MAPE 评价指标
    """
    
    n = len(y_true)
    mape = sum(np.abs((y_true - y_pred)/y_true))/n*100
    return mape