评价指标RMSE、MSE、MAE、MAPE、SMAPE 、R-Squared——python+sklearn实现

在这里插入图片描述

MSE 均方误差（Mean Square Error）

在这里插入图片描述

RMSE 均方根误差（Root Mean Square Error)

其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10
在这里插入图片描述

MAE 平均绝对误差（Mean Absolute Error)

在这里插入图片描述

MAPE 平均绝对百分比误差（Mean Absolute Percentage Error)

在这里插入图片描述

SMAPE 对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error)

在这里插入图片描述

scikit-learn中实现：

# MSE, MAE, R2, RMSE法一
from sklearn.metrics import mean_squared_error #MSE
from sklearn.metrics import mean_absolute_error #MAE
from sklearn.metrics import r2_score#R 2
#调用
mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
np.sqrt(mean_squared_error(y_test,y_predict))  # RMSE
r2_score(y_test,y_predict)

# MSE, MAE, R2, RMSE法二
from sklearn import metrics

metrics.mean_squared_error(y_test,y_predict)
metrics.mean_absolute_error(y_test,y_predict)
np.sqrt(metrics.mean_squared_error(y_test,y_predict))  # RMSE
metrics.r2_score(y_test,y_predict)

#  MAPE和SMAPE
def mape(y_true, y_pred):
    return np.mean(np.abs((y_pred - y_true) / y_true)) * 100

def smape(y_true, y_pred):
    return 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100

#  调用
mape(y_true, y_pred)
smape(y_true, y_pred)

参考文献：
https://blog.csdn.net/skullFang/article/details/79107127

https://blog.csdn.net/guolindonggld/article/details/87856780

来源：CSDN

作者：凯旋的铁铁

链接：https://blog.csdn.net/qq_41870157/article/details/104699118

标签

mse

mape

rms

mean