在2022年11月9日的Kaggle知识点文档中,详细介绍了三种回归评价指标,分别是平均绝对误差(Mean Absolute Error, MAE)、平均偏差误差(Mean Bias Error, MBE)以及相对绝对误差(Relative Absolute Error, RAE)。这些指标在机器学习特别是回归任务中扮演重要角色,用于评估模型预测的准确性和稳健性。 1. **平均绝对误差 (MAE)**:这是一种常用的简单损失函数,计算方法是取预测值与实际值之间的绝对差值,然后取所有样本的平均。MAE强调的是误差的绝对大小,不考虑方向,因此对异常值的影响较小。优点包括所有误差同等权重、对异常值不敏感以及提供平均性能度量。然而,MAE在零处不可微分,可能给优化算法带来挑战。 ```python def mean_absolute_error(true, pred): abs_error = np.abs(true - pred) mae_loss = sum_abs_error / true.size return mae_loss ``` 2. **平均偏差误差 (MBE)**:MBE关注预测值与真实值之间的偏差趋势,它不是取绝对值,而是直接求平均,这有助于检测模型是否有正偏或负偏。然而,MBE作为偏斜度量并不理想,因为大误差可能会被小误差抵消,且可靠性受到单个极端误差的影响。 ```python def mean_bias_error(true, pred): bias_error = true - pred mbe_loss = np.mean(bias_error / true.size) return mbe_loss ``` 3. **相对绝对误差 (RAE)**:RAE是通过将总绝对误差除以实际值与平均值之间的绝对差来计算的,它更侧重于相对误差,而非绝对误差。这种评价方法对于模型的稳定性更有帮助,但同样可能受异常值影响。 选择哪种评价指标取决于具体问题的需求,例如是否关注偏差、整体误差还是相对误差。在Kaggle竞赛中,理解并熟练运用这些指标可以帮助提高模型的评估效果和竞赛表现。
![](https://csdnimg.cn/release/download_crawler_static/88619030/bg1.jpg)
下载后可阅读完整内容,剩余8页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.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)
![](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://profile-avatar.csdnimg.cn/6b2ea2d510824682ac2af676104b9caf_abackcab.jpg!1)
- 粉丝: 2737
- 资源: 5598
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- Hadoop生态系统与MapReduce详解
- MDS系列三相整流桥模块技术规格与特性
- MFC编程:指针与句柄获取全面解析
- LM06:多模4G高速数据模块,支持GSM至TD-LTE
- 使用Gradle与Nexus构建私有仓库
- JAVA编程规范指南:命名规则与文件样式
- EMC VNX5500 存储系统日常维护指南
- 大数据驱动的互联网用户体验深度管理策略
- 改进型Booth算法:32位浮点阵列乘法器的高速设计与算法比较
- H3CNE网络认证重点知识整理
- Linux环境下MongoDB的详细安装教程
- 压缩文法的等价变换与多余规则删除
- BRMS入门指南:JBOSS安装与基础操作详解
- Win7环境下Android开发环境配置全攻略
- SHT10 C语言程序与LCD1602显示实例及精度校准
- 反垃圾邮件技术:现状与前景
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)