预测模型评价指标，MAE,MSE,MAPE等介绍及公式

预测模型评价指标的常用方法包括：

1. 均方误差（Mean Squared Error，MSE）：衡量预测值与实际值之间的差距的平方的平均值，其公式为：

$MSE = \frac{1}{n} \sum_{i=1}^{n}(y_i - \hat{y_i})^2$

其中，$y_i$表示实际值，$\hat{y_i}$表示预测值。

2. 平均绝对误差（Mean Absolute Error，MAE）：衡量预测值与实际值之间的差距的绝对值的平均值，其公式为：

$MAE = \frac{1}{n} \sum_{i=1}^{n}|y_i - \hat{y_i}|$

3. 平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）：衡量预测值与实际值相对误差的平均值，其公式为：

$MAPE = \frac{100\%}{n} \sum_{i=1}^{n}\frac{|y_i - \hat{y_i}|}{y_i}$

该指标常用于时间序列预测等领域。

4. 对数均方误差（Mean Squared Logarithmic Error，MSLE）：对真实值和预测值取对数后计算均方误差，其公式为：

$MSLE = \frac{1}{n} \sum_{i=1}^{n}(log(1+y_i) - log(1+\hat{y_i}))^2$

该指标常用于预测具有指数增长趋势的数据。

5. 对数均方根误差（Root Mean Squared Logarithmic Error，RMSLE）：对真实值和预测值取对数后计算均方根误差，其公式为：

$RMSLE = \sqrt{\frac{1}{n} \sum_{i=1}^{n}(log(1+y_i) - log(1+\hat{y_i}))^2}$

该指标常用于预测具有指数增长趋势的数据。

这些指标的选择应根据具体问题和数据特点进行。