iT邦幫忙

2021 iThome 鐵人賽

DAY 15
0
AI & Data

Python 機器學習實驗室 ʘ ͜ʖ ʘ系列 第 15

回歸模型的衡量標準:MSE. RMSE. MAE. MPE

  • 分享至 

  • xImage
  •  

在建立多個regression models後,我們常要選擇一個指標來衡量模型好壞,今天來聊聊各個不同的指標~

MSE(Mean Square Error)

https://ithelp.ithome.com.tw/upload/images/20210929/20142004GZAwlnlJzX.png
MSE主要以平方來避免誤差正負的互相抵銷,但也因為平方的特性,所以當單一bias大的時候會有懲罰作用,也就是說MSE對於極值(outliers)會相對敏感。

RMSE(Root Mean Square Error)

https://ithelp.ithome.com.tw/upload/images/20210929/20142004yE1bjycKNK.png
RMSE主要就是MSE拿去取根號,取根號的目的是讓他與y的單位變得一致,所以解釋起來會比較直觀!

MAE(Mean Absolute Error)

https://ithelp.ithome.com.tw/upload/images/20210929/20142004JaFIvCcVdh.png
抵銷正負誤差的方式,除了平方之外,還有取絕對值,MAE就是取絕對值來計算平均誤差,相對之下對極值比較不敏感,如果training data裡面極值很多,那可以考慮用MAE來當作指標。

MAPE(Mean Absolute Percentage Error)

https://ithelp.ithome.com.tw/upload/images/20210929/20142004n36Qnhw9js.png
將誤差轉換為百分比(徹底擺脫單位),主要目的也是解釋起來比較直觀,要記得如果y含有0就不能使用MAPE!


上一篇
如何避免Overfitting
下一篇
[Python]文字識別模型-PaddleOCR
系列文
Python 機器學習實驗室 ʘ ͜ʖ ʘ30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言