深度学习常用损失MSE、RMSE、MAE和MAPE

已于 2023-05-18 21:47:37 修改
阅读量2.5w 收藏 106
点赞数 11
CC 4.0 BY-SA版权
文章标签： 深度学习 人工智能 机器学习
于 2023-03-17 09:51:40 首次发布
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/weixin_48018951/article/details/129611907

MSE 均方差损失（ Mean Squared Error Loss）

MSE是深度学习任务中最常用的一种损失函数，也称为 L2 Loss

MSE是真实值与预测值的差值的平方然后求和平均
在这里插入图片描述

范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大

在这里插入图片描述
MSE 曲线的特点是光滑连续、可导，便于使用梯度下降算法，是比较常用的一种损失函数。而且，MSE 随着误差的减小，梯度也在减小，这有利于函数的收敛，即使固定学习因子，函数也能较快取得最小值。

平方误差有个特性，就是当 yi 与 f(xi) 的差值大于 1 时，会增大其误差；当 yi 与 f(xi) 的差值小于 1 时，会减小其误差。这是由平方的特性决定的。也就是说， MSE 会对误差较大（>1）的情况给予更大的惩罚，对误差较小（<1）的情况给予更小的惩罚。从训练的角度来看，模型会更加偏向于惩罚较大的点，赋予其更大的权重。

如果样本中存在离群点，MSE 会给离群点赋予更高的权重，但是却是以牺牲其他正常数据点的预测效果为代价，这最终会降低模型的整体性能。

RMSE 均方根误差（Root Mean Square Error）

RMSE就是对MSE开方之后的结果

最低0.47元/天 解锁文章

200万优质内容无限畅学
zzz_979
关注
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
weixin_43908136的博客
06-21 879
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
评估指标中的RMSE,MAE,MAPE分别表示什么，取值范围一般多大，优缺点有哪些？
qlkaicx的博客
01-12 6万+
RMSE（Root Mean Square Error）：均方根误差。优点在于衡量预测值与真实值之间的偏差程度，数值越小表示模型的预测精度越高。此外，RMSE易于理解，计算方便，并且对异常值较为敏感。然而，RMSE的缺点在于对目标变量本身的变异性缺乏考虑，可能无法准确反映模型的性能。同时，RMSE对异常值的敏感性可能导致评价结果不够稳定。MAE（Mean Absolute Error）：平均绝对误差。优点在于计算每个样本的预测误差的绝对值的平均数，直观地表示模型预测值与真实值之间的差距大小。
GAN图像生成评估指标：MAE
LJ1147517021的博客
06-20 538
生成对抗网络（GAN）在图像生成领域取得了革命性的进展，但如何客观评估生成图像的质量一直是研究的重点。在众多评估指标中，平均绝对误差（Mean Absolute Error, MAE）作为一个直观且易于理解的指标，在特定场景下发挥着重要作用。本文将深入探讨MAE在GAN图像生成评估中的应用、实现方法以及适用场景。
深度学习模型评价指标（RMSE、MSE、MAE、MAPE、SMAPE）
qq_41300595的博客
04-16 4185
MSE(均方误差Mean Square Error)
机器学习之回归模型预测性能评估指标（RMSE、MSE、MAE、MAPE、SMAPE、R^2 Score、R^2 ）
有你真好的博客
07-15 1万+
机器学习就是通过大量的数据进行训练，然后得出输入数据的模型特征；再次输入相关的数据时，能得到一个预测的结果。这在现实生活中解决了大量的问题，如：股票预测、物体分类、房价预测等等，这些都依赖机器学习带给我们的便利。......
RMSE、MAE和MAPE
Mazhenfeng_的博客
04-17 631
RMSE对误差异常值比较敏感，主要是由于其经历了平方这个过程，例如，一模型对某一数据a的预测误差是2，而对另一个数据b的预测误差是4，平方之后就分别是4和16，原先是差2倍，现在在误差上就是差4倍。在进行价格预测时，价格肯定会是大于0，假设真实价格是10，对于负预测值来说，最大也就是100%（0 减去10，再除以10就是100%，不可能再高了），而对于正预测来说，就没有这个限制了，误差可以是100%以上。2，MAE小，MAPE大，模型在真实值取值较小时，表现不佳，而在真实值取值较大时，表现更佳。
MSE、MAE、RMSE、MAPE、MARE、SMAPE、ACC、TOP k
weixin_44012667的博客
07-16 3636
在数据科学和机器学习中，评估模型的性能通常需要使用各种指标。这些指标可以帮助我们理解模型的预测能力和误差大小。
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
u012254599的博客
11-01 3848
分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。
基于卷积神经网络(CNN)时间序列预测 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替
08-25
卷积神经网络（CNN）是一种在深度学习领域广泛使用的模型，尤其在图像处理方面表现出色。...此外，高质量的代码示例使得学习者可以方便地理解和复现这个项目，对于提升自身的深度学习技能非常有帮助。
Python 误差分析——计算MSE RMSE R MAE MAPE
qq_40937619的博客
10-21 4911
Python 误差分析
30种回归预测组合模型的Matlab代码精选集，含MSE、RMSE、MAE、MAPE评价指标，涵盖BiGRU、BiLSTM等多种模型 - 深度学习 全面版
最新发布
08-01
代码包还包括四个主要评价指标（MSE、RMSE、MAE、MAPE），以及多个领域的实际数据集，确保用户能在真实场景中测试模型性能。 适合人群：从事数据分析、机器学习、深度学习的研究人员和技术人员，尤其是那些需要处理...
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...
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
A34436791的博客
09-21 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。可以看出，RMSE=sqrt（MSE），因此，MSE 和 RMSE 二者是呈正相关的，MSE 值大，RMSE 值也大，所以在评价线性回归模型效果的时候，使用 RMSE 就可以了。
回归评价指标：MSE、RMSE、MAE、MAPE、R2公式理解及代码实现
热门推荐
haosen
05-05 10万+
目录 预先假设： 平均绝对误差（MAE） 均方误差（MSE）均方根误差（RMSE） MAE：平均绝对误差；MAPE：平均绝对百分比误差 R2（R-Square）决定系数 通过sklearn库实现5种评价指标 预先假设： 平均绝对误差（MAE） 平均绝对误差（Mean Absolute Error） 范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越...
回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）
y15659037739l的博客
04-05 2万+
1、平均绝对误差（Mean Absolute Error, MAE）：是绝对误差的平均值，可以更好地反映预测值误差的实际情况 2、均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差 3、均方根误差（RootMean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差 4、 ...
误差评估指标整理--MAE、RMSE、MASE、MAPE、SMAPE、OWA、RMSLE
hldsddy_s的博客
03-19 3676
其中，yt​是真实值；yt​​是预测值；n是样本数量。
均方误差损失（MSE loss）—最常用的回归（Regression）损失
Winterfell01的博客
09-09 4399
mse loss介绍
XGBoost回归测试集MSE RMSE MAE MAPE有偏差
06-14
### XGBoost 回归模型 测试集 MSE RMSE MAE MAPE 指标偏差原因分析 在分析XGBoost回归模型的测试集上MSE、RMSE、MAE、MAPE指标偏差的原因时，可以从以下几个方面进行深入探讨： #### 1. 数据分布与特征重要性 如果训练集和测试集的数据分布存在显著差异，可能会导致模型在测试集上的表现不佳。例如，某些关键特征在训练集中具有较高的重要性，但在测试集中却表现出不同的分布或缺失。这种情况下，模型可能无法很好地泛化到测试集[^4]。 ```python import xgboost as xgb import matplotlib.pyplot as plt # 训练模型 model = xgb.XGBRegressor() model.fit(X_train, y_train) # 特征重要性分析 xgb.plot_importance(model) plt.show() ``` #### 2. 模型过拟合 当模型过于复杂（如树的深度过大、叶子节点过多等），可能会导致过拟合现象。过拟合的模型会在训练集上表现很好，但在测试集上出现较大的偏差。可以通过调整模型参数来缓解这一问题，例如增加正则化强度、减少树的深度或增加最小样本分裂数。 ```python # 调整XGBoost参数以防止过拟合 params = { 'max_depth': 5, # 控制树的深度 'learning_rate': 0.1, # 学习率 'n_estimators': 100, # 树的数量 'reg_lambda': 1, # L2正则化参数 'reg_alpha': 0.1 # L1正则化参数 } model = xgb.XGBRegressor(**params) model.fit(X_train, y_train) ``` #### 3. 损失函数与目标函数的选择 XGBoost支持多种损失函数和目标函数，不同目标函数对模型的预测结果有直接影响。例如，使用均方误差（MSE）作为目标函数时，模型会更关注大误差样本；而使用平均绝对误差（MAE）时，则会对所有误差一视同仁。因此，选择不合适的损失函数可能导致某些指标表现较差[^4]。 #### 4. 异常值的影响 异常值的存在可能会对MSE和RMSE产生较大影响，因为这些指标对误差的平方敏感。相比之下，MAE和MAPE对异常值的容忍度更高。如果测试集中包含较多异常值，可能会导致MSE和RMSE显著高于MAE和MAPE[^1]。 #### 5. 数据预处理不足 数据预处理是构建高质量模型的重要步骤。如果在预处理阶段忽略了某些关键步骤（如特征缩放、缺失值处理、类别编码等），可能会导致模型性能下降。例如，对于数值型特征，未进行标准化或归一化处理可能导致模型难以学习到有效的模式[^3]。 ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 6. 模型参数调优不足 XGBoost拥有众多可调参数，如果参数设置不当，可能会导致模型性能不佳。例如，学习率过低可能导致模型收敛缓慢，而学习率过高则可能导致模型不稳定。通过网格搜索或贝叶斯优化等方法进行参数调优，可以有效提升模型性能。 ```python from sklearn.model_selection import GridSearchCV param_grid = { 'max_depth': [3, 5, 7], 'learning_rate': [0.01, 0.1, 0.2], 'n_estimators': [50, 100, 200] } grid_search = GridSearchCV(xgb.XGBRegressor(), param_grid, cv=3, scoring='neg_mean_squared_error') grid_search.fit(X_train, y_train) best_model = grid_search.best_estimator_ ``` ### 结论 XGBoost回归模型在测试集上的MSE、RMSE、MAE、MAPE指标偏差可能是由多种因素共同作用导致的，包括数据分布差异、模型过拟合、损失函数选择不当、异常值影响、数据预处理不足以及参数调优不足等。针对这些问题，可以采取相应的措施进行改进，从而提升模型的泛化能力[^4]。 ---
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