MSE与MAE

最新推荐文章于 2025-06-25 09:40:26 发布
最新推荐文章于 2025-06-25 09:40:26 发布
阅读量1w 收藏 27
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 误差损失计算 文章标签： 机器学习 pytorch
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。
本文链接：https://blog.youkuaiyun.com/shaomjc/article/details/126905676
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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

200万优质内容无限畅学
【机器学习】MSE和MAE损失函数有什么区别？回归问题的常用损失函数
q742971636的博客
06-17 2425
误差处理方式MSE 使用平方处理误差，对大误差更加敏感。MAE 使用绝对值处理误差，对所有误差均一对待。异常值影响MSE 受到异常值的显著影响。MAE 对异常值的影响较小，更加鲁棒。优化和求导MSE 的平方性质使其导数在很多优化算法中计算更为简便。MAE 的绝对值使其在某些优化过程中可能不如 MSE 简单，但在一些鲁棒优化问题中更加有效。
MSE（L2损失）与MAE（L1损失）的分析
zzzz_123123的博客
02-09 6015
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...
MSE和MAE的比较
qishi的博客
06-20 1万+
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度， MSE可导，有closed-for...
MSE与MAE的区别是什么？
最新发布
2401_83171592的博客
06-25 375
MSE与MAE的核心差异在于对误差的处理方式：MSE通过平方放大异常误差，适合抑制极端值，但量纲需转换；MAE平等对待所有误差，量纲直观且抗干扰强。MSE优化均值（高斯分布），MAE优化中位数（偏斜数据）。选择取决于需求——MSE用于严惩大错（如金融风控），MAE适用于含噪声数据或需直观解释的场景。进阶方案如Huber Loss可结合二者优点。理解其统计学本质（MSE对应方差，MAE对应中位数）有助于根据数据分布和业务目标合理选择评估指标。
MAE（Mean Absolute Error，平均绝对误差）和 MSE（Mean Squared Error，均方误差）
keyboard专栏
11-11 7403
MAE（，平均绝对误差）和 MSE（，均方误差）是常用的回归任务中用于评估模型性能的两种误差度量指标。
MSE 和 MAE
weixin_50267049的博客
11-23 4440
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度， MSE可导，有closed-form解，只需要令偏导数为0即可。 如何选择 如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进行异常值
深度学习中的MSE与MAE
qq_63075864的博客
12-22 915
均方误差（MSE）：是预测值与真实值之差的平方和的平均值，其数学表达式为，其中为样本数量，为第个样本的真实值，为第个样本的预测值。平均绝对误差（MAE）：是预测值与真实值之差的绝对值的平均值，其数学表达式为。
MSE与MAE对机器学习性能优化的作用比较.pdf
09-24
MSE与MAE对机器学习性能优化的作用比较 机器学习是人工智能的核心，是目前使计算机具有人工智能的根本途径。损失函数是机器学习优化的重要组成部分，常见的损失函数有均方误差（MSE）和平均绝对值误差（MAE）。本文...
mse python_MSE与MAE的区别与选择
weixin_39622289的博客
12-15 1519
MSE与MAE的区别与选择1.均方误差(也称L2损失)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。2.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(M...
机器学习损失函数解析：MSE与MAE
与MSE相比，MAE对异常值的敏感度较低，因为它不是平方项，所以即使存在大误差，损失也不会无限增加。这种特性使得MAE在处理噪声较大或有离群值的数据时更加稳健。 除了这些，还有其他类型的损失函数，如对数损失...
MAE 和 MSE
qq_40341531的博客
04-16 297
预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE
12-21
MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean Squared Error, MSE） 误差越大，该值越大。 SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。 3.均方根误差（Root Mean Square Error, RMSE） 是MSE的算数平均根 误差越大，该值越大。 4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE） 注意：当真实值有数据等
机器学习——需求预测——准确性（误差）统计——MAE、MSE、MAPE、WMAPE
huangguohui_123的博客
11-21 3万+
误差指标 公式（为预测值，为真实值） 特点 缺点 MAE 1、易受真实值量纲上的差别带来的影响 MSE 1、加倍惩罚极端误差 1、易受真实值量纲上的差别带来的影响 2、极端值的影响 MAPE WMAPE 一、平均绝对误差(Mean Absolute Error，MAE) 其中，为预测值，为真实值。 由于...
什么是MAE和MSE？
seasonsyy的博客
03-09 2471
平均绝对误差（Mean Absolute Error，MAE）和平均方差误差（Mean Squared Error，MSE）是常用的评价回归模型性能的指标。它们用于衡量模型预测值与真实值之间的差异。
MAE和MSE
qq_20466297的博客
06-05 1421
MAE存在一个严重的问题（特别是对于神经网络）：更新的梯度始终相同，也就是说，即使对于很小的损失值，梯度也很大。而MSE在这种情况下的表现就很好，即便使用固定的学习率也可以有效收敛。总的来说，处理异常点时，MAE损失函数更稳定，但它的导数不连续，因此求解效率较低。，也可以看做L1损失，是一种用于回归模型的常用损失函数。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））。它表示的是预测值与实际观测值之间差的平方的平均值的平方根。
对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理
あずにゃん梓喵的博客
08-20 3627
tensorflow 2.0 画出model网络模型的拓扑图 tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint） TensorBoard视觉化网络每层权重分布、视觉化网络层结构 MSE(均方误差)、MAE(平均绝对误差) from_logits CE(Cross-Entropy)、BCE(Binary Cross-Ent...
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
weixin_63522758的博客
03-26 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。它的含义就是，既然不同数据集的量纲不同，很难通过上面的三种方式去比较，那么不妨找一个第三者作为参照，根据参照计算 R方值，就可以比较模型的好坏了。这个参照是什么呢，就是均值模型。
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
热门推荐
weixin_43155435的博客
06-13 5万+
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
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值