.RMSE ，MAPE，MAE案例

假设我们有以下数据，其中y_hat是预测值，y是真实值：

| y_hat | y |
|-------|-----|
| 2.5 | 3.0 |
| 4.0 | 4.5 |
| 3.2 | 3.0 |
| 5.0 | 4.0 |
| 4.8 | 5.0 |

我们可以使用以下公式计算三个评价指标：

均方根误差（RMSE）：

RMSE = sqrt(sum((y_hat - y)^2) / n) = sqrt((0.5^2 + 0.5^2 + 0.2^2 + 1^2 + 0.2^2) / 5) = 0.692

平均绝对百分比误差（MAPE）：

MAPE = sum(abs((y_hat - y) / y)) / n * 100% = (16.7% + 11.1% + 6.7% + 25% + 4%) / 5 = 12.5%

平均绝对误差（MAE）：

MAE = sum(abs(y_hat - y)) / n = (0.5 + 0.5 + 0.2 + 1 + 0.2) / 5 = 0.48

因此，该模型的RMSE为0.692，MAPE为12.5%，MAE为0.48。

相关问题

.RMSE ，MAPE，MAE案例sklearn

由于RMSE、MAPE和MAE是回归任务中常用的评估指标，因此可用sklearn库来计算这些指标。

下面是一个简单的示例，使用sklearn库计算RMSE、MAPE和MAE：

from sklearn.metrics import mean_squared_error, mean_absolute_error
import numpy as np

# 真实值
y_true = np.array([1, 2, 3, 4, 5])
# 预测值
y_pred = np.array([1.2, 2.3, 3.1, 3.8, 4.7])

# 计算RMSE
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
print("RMSE:", rmse)

# 计算MAPE
mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
print("MAPE:", mape)

# 计算MAE
mae = mean_absolute_error(y_true, y_pred)
print("MAE:", mae)

输出结果为：

RMSE: 0.5374837677184711
MAPE: 7.1066666666666665
MAE: 0.44000000000000006

因此，对于这个例子，预测结果的误差比较小，RMSE、MAPE和MAE都较小。

.RMSE ，MAPE，MAE

RMSE (Root Mean Squared Error)、MAPE (Mean Absolute Percentage Error)、MAE (Mean Absolute Error)都是常见的评估指标，用于衡量预测结果的准确度。

RMSE是预测值与实际值之间差值的平方和的平均值的平方根，它的值越小越好。RMSE的计算公式为：

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

其中，$y_i$为实际值，$\hat{y_i}$为预测值，$n$为样本数量。

MAPE是预测值与实际值之间差值的绝对值占实际值的比例的平均值，它的值越小越好。MAPE的计算公式为：

$$MAPE=\frac{1}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y_i}}{y_i}\right|\times100\%$$

其中，$y_i$为实际值，$\hat{y_i}$为预测值，$n$为样本数量。

MAE是预测值与实际值之间差值的绝对值的平均值，它的值越小越好。MAE的计算公式为：

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

其中，$y_i$为实际值，$\hat{y_i}$为预测值，$n$为样本数量。