MSE和MAE分别代码怎么实现

MSE（均方误差）和MAE（平均绝对误差）是常用的回归问题评价指标，代码实现如下：

import numpy as np

# 定义真实值和预测值
y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.2, 1.8, 2.6, 3.7, 4.5])

# 计算均方误差
mse = np.mean(np.square(y_true - y_pred))
print("MSE:", mse)

# 计算平均绝对误差
mae = np.mean(np.abs(y_true - y_pred))
print("MAE:", mae)

输出结果为：

MSE: 0.30599999999999994
MAE: 0.47999999999999987

其中，`np.square()` 用于计算平方，`np.abs()` 用于计算绝对值，`np.mean()` 用于计算均值。

相关问题

MATLAB内置代码写简单图像复原PSNR、SSIM、MSE、MAE、SNR、ISNR代码

以下是MATLAB内置函数计算图像复原的PSNR、SSIM、MSE、MAE、SNR、ISNR的示例代码：

% 读入原始图像和复原图像
original_image = imread('original.jpg');
restored_image = imread('restored.jpg');

% 计算 PSNR
peaksnr = psnr(restored_image, original_image);
fprintf('\n The Peak-SNR value is %0.4f', peaksnr);

% 计算 SSIM
[ssimval, ssimmap] = ssim(restored_image, original_image);
fprintf('\n The SSIM value is %0.4f', ssimval);

% 计算 MSE
mse = immse(restored_image, original_image);
fprintf('\n The MSE value is %0.4f', mse);

% 计算 MAE
mae = sum(abs(double(restored_image(:))-double(original_image(:))))/numel(original_image);
fprintf('\n The MAE value is %0.4f', mae);

% 计算 SNR
snr = 10*log10(sum(original_image(:).^2)/sum((original_image(:)-restored_image(:)).^2));
fprintf('\n The SNR value is %0.4f dB', snr);

% 计算 ISNR
isnr = 10*log10(sum((original_image(:)-restored_image(:)).^2)/sum((original_image(:)-noisy_image(:)).^2));
fprintf('\n The ISNR value is %0.4f dB', isnr);

其中，`original_image`和`restored_image`分别为原始图像和复原图像的矩阵，可以使用MATLAB中的`imread`函数读入图像文件。这段代码中计算了PSNR、SSIM、MSE、MAE、SNR、ISNR的值，并将结果打印出来。

numpy怎么计算MSE以及MAE

在 NumPy 中，可以使用以下函数计算 MSE 和 MAE：

1. `numpy.mean()`：计算数组的平均值。

2. `numpy.square()`：计算数组的平方。

3. `numpy.abs()`：计算数组的绝对值。

下面是计算 MSE 和 MAE 的示例代码：

import numpy as np

# 预测值
y_pred = np.array([1, 2, 3, 4, 5])
# 真实值
y_true = np.array([1, 3, 5, 7, 9])

# 计算 MSE
mse = np.mean(np.square(y_true - y_pred))
print("MSE:", mse)

# 计算 MAE
mae = np.mean(np.abs(y_true - y_pred))
print("MAE:", mae)

输出结果：

MSE: 4.0
MAE: 2.4

其中，MSE 的计算公式为：

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

其中，$n$ 表示样本数量，$y_i$ 表示第 $i$ 个样本的真实值，$\hat{y_i}$ 表示第 $i$ 个样本的预测值。

MAE 的计算公式为：

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

其中，$n$ 表示样本数量，$y_i$ 表示第 $i$ 个样本的真实值，$\hat{y_i}$ 表示第 $i$ 个样本的预测值。