MSE、RMSE、MAE、MAPE、R2的公式

MSE（均方误差）= Σ(yi-ŷi)²/n

RMSE（均方根误差）= √(Σ(yi-ŷi)²/n)

MAE（平均绝对误差）= Σ|yi-ŷi|/n

MAPE（平均绝对百分比误差）= Σ|yi-ŷi|/Σyi × 100%

R2（决定系数）= 1 - Σ(yi-ŷi)²/Σ(yi-ȳ)²

相关问题

RMSE MAE MAPE公式

RMSE（均方根误差）的公式为：RMSE = sqrt(mse)，其中mse是均方误差，mse = (1/m) * sum((y_i - y^_i)^2)，其中m为样本数，y_i为真实值，y^_i为预测值。

MAE（平均绝对误差）的公式为：MAE = (1/m) * sum(|y_i - y^_i|)，其中m为样本数，y_i为真实值，y^_i为预测值。

MAPE（平均绝对百分比误差）的公式为：MAPE = (1/n) * sum(|(y_i - y^_i)/y_i|) * 100%，其中n为样本数，y_i为真实值，y^_i为预测值。

这三个指标都是用来评估预测模型的好坏的，RMSE和MAE都是度量预测值与真实值之间的差异，值越小表示模型的预测能力越好。而MAPE则是将预测值与真实值的差异转化为百分比来评估，可以更直观地看出预测误差的大小。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [MSE、RMSE、MAE、R方等指标整理](https://blog.csdn.net/superY_26/article/details/115381668)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]

RMSE MAE MAPE

RMSE是指对MSE（均方误差）开方之后得到的结果，用于衡量预测值与真实值之间的差异。 MAE代表平均绝对误差损失（Mean Absolute Error Loss），它计算的是预测值与真实值之间的绝对差值的平均值。 MAPE是指平均绝对百分比误差（Mean Absolute Percentage Error），它是计算预测值与真实值之间的百分比差异的平均值。

相比于RMSE和MAPE，MAE有一个优势，就是对离群点不敏感，具有更强的包容性。因为MAE计算的是误差的绝对值，无论误差是大于1还是小于1，惩罚力度都是一样的，权重相同。 RMSE和MAPE的损失值与误差之间存在平方关系或百分比关系，当误差越大时，它们的损失值也会相应增大，对模型训练产生更大的影响。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [深度学习常用损失MSE、RMSE、MAE和MAPE](https://blog.csdn.net/weixin_48018951/article/details/129611907)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]