6. 对数均方根误差(logRMSE)公式
时间: 2023-12-06 21:40:16 浏览: 68
对数均方根误差(logRMSE)公式如下:
logRMSE = sqrt((1/n) * Σ(log(y_pred_i + 1) - log(y_true_i + 1))^2)
其中,n为样本数量,y_pred_i为第i个样本的预测值,y_true_i为第i个样本的真实值。log为自然对数,加1是为了避免出现0值导致计算错误。该指标常用于评估回归模型的预测性能。
相关问题
对数均方根误差(logRMSE)公式
对数均方根误差(logRMSE)的公式如下:
$logRMSE = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (\log(y_i + 1) - \log(\hat{y}_i + 1))^2}$
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。注意,公式中对 $y_i$ 和 $\hat{y}_i$ 取对数的原因是为了在评估指标上缩小真实值和预测值的差异。这是因为在某些情况下,真实值和预测值之间的差异可能非常大。
归一化均方根误差公式
归一化均方根误差(NRMSE)是一种常用的评估预测模型准确性的指标。它可以用来衡量预测值与真实值之间的差异程度,并且将其归一化到一个固定的范围内。
NRMSE的计算公式如下:
NRMSE = sqrt(mean((y_pred - y_true)^2)) / (max(y_true) - min(y_true))
其中,y_pred表示预测值,y_true表示真实值,mean表示求平均值,sqrt表示求平方根,max表示求最大值,min表示求最小值。
通过将均方根误差除以真实值的范围,NRMSE可以将不同数据集之间的误差进行比较,使得结果更具有可解释性和可比性。
下面是一个示例代码,演示如何计算归一化均方根误差:
```python
import numpy as np
def calculate_nrmse(y_pred, y_true):
mse = np.mean((y_pred - y_true) ** 2)
rmse = np.sqrt(mse)
nrmse = rmse / (np.max(y_true) - np.min(y_true))
return nrmse
# 示例数据
y_pred = np.array([1, 2, 3, 4, 5])
y_true = np.array([2, 3, 4, 5, 6])
nrmse = calculate_nrmse(y_pred, y_true)
print("NRMSE:", nrmse)
```
输出结果为:
```
NRMSE: 0.2
```
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)