机器学习模型中的评价指标

1、回归模型

1.1 MSE（均方误差）

MSE是Mean Square Error的缩写，其计算公式如下：

$$mse=\frac{1}{m}\sum _{i=1}^m(y_i-\widehat{y_i}{)}^2$$

从计算公式可以看出，MSE越小（理论最小值为0），说明拟合得越好。

一些机器学习模型的损失函数也是这样计算的，因为它易于求导，进而便于使用梯度下降法进行参数优化。

1.2 RMSE（均方根误差）

RMSE是Root Mean Square Error的缩写，其计算公式如下：

$$rmse=\sqrt{MSE}=\sqrt{\frac{1}{m}\sum _{i=1}^m(y_i-\widehat{y_i}{)}^2}$$

由于MSE的结果总是非负的，因此，对其开平方就得到了RMSE。这样做的好处是可以保持RMSE与目标值$y$具有相同的量纲，在描述模型的精度的时候带来便利。

1.3 MAE（平均绝对误差）

MAE是Mean Absolute Error的缩写，其计算公式如下：

$$mae=\frac{1}{m}\sum _{i=1}^m\mid y_i-\widehat{y_i}\mid$$

MAE越小，说明拟合得越好。

1.4 MAPE（平均绝对百分比误差）

MAPE是Mean Absolute Percentage Error的缩写，其计算公式如下：

$$mape=\frac{1}{m}\sum _{i=1}^m\mid \frac{y_i-\widehat{y_i}}{y_i}\mid \ast 100\%$$

可以看出，相较于MAE，每个误差项都除以了真实值。相当于对误差做了归一化，这样可以降低离群值所带来的影响。

1.5 SMAPE（对称平均绝对百分比误差）

SMAPE是Symmetric Mean Absolute Percentage Error的缩写，其计算公式如下：

$$mape=\frac{1}{m}\sum _{i=1}^m(\mid y_i\mid +\mid$$