均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)

原创最新推荐文章于 2026-09-21 09:35:35 发布 10w+ 阅读 AI写同款

收录于

数学

医学影像处理

码龄15年墨衍会员 · AI 创作全网分发

408粉丝160篇原创

关注

均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释阅读详情

AI摘要

本文详细介绍了几种常见的误差评估指标，包括均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)及标准差(SD)，并解释了它们在数据变化程度评价中的作用。

MSE: Mean Squared Error
均方误差是指参数估计值与参数真值之差平方的期望值;
MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。

M S E = 1 N \sum t = 1 N (o b s e r v e d t - p r e d i c t e d t) 2

$MSE=\frac{1}{N}\sum_{t=1}^{N}(observed_t-predicted_t)^2$

RMSE
均方误差:均方根误差是均方误差的算术平方根

R M S E = 1 N \sum t = 1 N (o b s e r v e d t - p r e d i c t e d t) 2 ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾  ⎷  

$RMSE=\sqrt{\frac{1}{N}\sum_{t=1}^{N}(observed_t-predicted_t)^2}$

MAE :Mean Absolute Error
平均绝对误差是绝对误差的平均值
平均绝对误差能更好地反映预测值误差的实际情况.

M A E = 1 N \sum i = 1 N ∣ (f i - y i) ∣

$MAE={\frac{1}{N}\sum_{i=1}^{N}\lvert(f_i-y_i)\rvert}$

$f_i$ 表示预测值, $y_i$ 表示真实值;

SD :standard Deviation
标准差:标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组组数据，标准差未必相同。

S D = 1 N \sum i = 1 N (x i - u) 2 ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾  ⎷  

$SD=\sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i-u)^2}$

u $u$ 表示平均值(

u=1N(x1+.....xN) $u=\frac{1}{N}(x_1+.....x_N)$ )

标签

#统计参数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

MSE（L2损失）与MAE（L1损失）的分析简单来说，MSE计算简便，但MAE对异常点有更好的鲁棒性。训练一个机器学习模型时，目标就是找到损失函数达到极小值的点。当预测值等于真实值时，这两种函数都能达到最小。分析：MSE对误差取了平方（令e=真实值-预测值），因此若e>1，则MSE会进一步增大误差。如果数据中存在异常点，那么e值就会很大，而e²则会远大于|e|。因此，相对于使用MAE计算损失，使用MSE的模型会赋予异常点更大的权... 阅读详情

5

医学影像处理

博客等级

码龄15年 408粉丝 160原创

+ 关注专栏目录订阅专栏

评论 5

成就一亿技术人!

拼手气红包6.0元

还能输入1000个字符

插入表情

表情包

代码片

HTML/XML
objective-c
Ruby
PHP
C
C++
JavaScript
Python
Java
CSS
SQL
其它

查看更多评论

条评论被折叠查看

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。