本文对比了均方误差（MSE）和平均绝对误差（MAE）两种回归损失函数，讨论了它们的特性及在异常点处理上的差异。MSE对异常点敏感，而MAE具有更好的鲁棒性。根据训练数据中的异常点情况，可以选择适合的损失函数。同时，文章提到了在特定场景下，可能需要考虑其他损失函数，如Huber损失或分位数损失。
均方误差
均方误差(MSE)是最常用的回归损失函数，计算方法是求预测值与真实值之间距离的平方和，公式如图。
下图是MSE函数的图像，其中目标值是100，预测值的范围从-10000到10000，Y轴代表的MSE取值范围是从0到正无穷，并且在预测值为100处达到最小。
MSE损失（Y轴）-预测值（X轴）
平均绝对值误差（也称L1损失）
平均绝对误差（MAE）是另一种用于回归模型的损失函数。MAE是目标值和预测值之差的绝对值之和。其只衡量了预测值误差的平均模长，而不考虑方向，取值范围也是从0到正无穷（如果考虑方向，则是残差/误差的总和——平均偏差（MBE））。
MAE损失（Y轴）-预测值（X轴）
MSE（L2损失）与MAE（L1损失）的比较
简单来说，MSE计算简便，但MAE对异常点有更好的鲁棒性。下面就来介绍导致二者差异的原因。
训练一个机器学习模型时，我们的目标就是找到损失函数达到极小值的点。当预
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
