论文复现 MSE 均方误差 MAR 平均绝对值误差

平均绝对误差MAE（mean absolute error） 和均方根误差 RMSE（root mean squared error)是衡量变量精度的两个最常用的指标，同时也是机器学习中评价模型的两把重要标尺。 那两者之间的差异在哪里？它对我们的生活有什么启示？ 文章目录一、定义二、比较三、应用 一、定义 平均绝对误差MAE（mean absolute error）是绝对误差的平均值，它其实是更一...

均方误差(Mean Squared Error,MSE) 均方误差是反应估计量与被估计量之间差异的一种程度，换句话说，参数估计值与参数真值之差的平方期望值。MSE可以评价数据的变化程度，MSE的值越小，说明册页模型描述实验数据具有更好的精确度。 ...

常用度量–MAE和RMSE   MAE和RMSE是关于连续变量的两个最普遍的度量标准。 定义   1）我们看看最流行RMSE，全称是Root Mean Square Error，即均方根误差，它表示预测值和观测值之间差异（称为残差）的样本标准偏差。   2）MAE，全称是Mean Absolute Error，即平均绝对误差，它表示预测值和观测值之间绝对误差的平均值。   MAE是一种线性分数，所...

基础论文学习（5）——MAE

决策树是一种基础但强大的机器学习模型，尤其适用于二分类任务，在精度、可解释性与小样本适应性之间取得平衡。其核心原理基于特征分裂优化纯度（如Gini不纯度或信息熵），无需数据分布假设，对异常值鲁棒，天然支持类别型特征。技术价值在于将黑箱预测转化为人类可读的if-else规则，广泛应用于信贷风控、医疗诊断和客户流失预警等需业务协同的场景。本文聚焦Scikit-Learn中DecisionTreeClassifier的实际落地，覆盖数据预处理、分层切分、参数调优（max_depth、ccp_alpha、class

亲爱的读者，欢迎您翻开这本书。我们即将探索的，是深度学习的宇宙——一个由数据、算法与算力构筑的奇妙世界。它既是严谨的科学，也是创造的艺术，更是一条通往未来智慧的修行之路。本书将带您从最基础的数学原理出发，亲手搭建神经网络，驾驭Transformer等前沿模型，最终将智慧转化为现实世界的价值。请放下畏惧，保持好奇。这不仅是一次知识的学习，更是一场思维的远行。来，随我一起，开启这趟非凡的旅程吧。

平均绝对误差 (Mean Absolute Error, MAE) 是一种衡量预测值与实际值之间平均差异的统计指标。它在机器学习、统计学等领域中广泛应用，用于评估模型的预测精度。与均方误差 (MSE) 或均方误差根 (RMSE) 不同，MAE 使用误差的绝对值，因此它在处理异常值时更加稳定。

【论文翻译】:（arxiv 2023 ）LOSS FUNCTIONS AND METRICS IN DEEP LEARNING. A REVIEW

逻辑： 基本概念（SSE+SSR=SST） 统计常用概念（MSE \ RMSE \ R-square） 参考文献： SSR、SSE、SST、判定系数（可决系数、拟合优度）的计算公式 SSE,SSR,SSE 的关系 基本概念 SSE 残差平方和SSE=∑i=1n(yi−yi^)2SSE=\sum_{i=1}^{n}(y_i-\hat{y_i})^2SSE=i=1∑n​(yi​−yi​^​)2 S...

本章主要介绍了平均绝对误差、均方根误差及其代码实现。

@TOC 总结对比MSE损失函数，MAE损失函数以及Smooth L1_loss损失函数的优缺点 1、常见的MSE、MAE损失函数 1.1、均方误差MSE 均方误差（Mean Square Error,MSE）是回归损失函数中最常用的误差，它是预测值f(x)与目标值y之间差值平方和的均值，其公式如下所示： 下图是均方误差值的曲线分布，其中最小值为预测值为目标值的位置。我们可以看到随着误差的增加损失函数增加的更为迅猛。 优点：MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函

使用均方误差（MSE）来评价模型时，可以通过具体的数值对比来清晰描述模型的优劣。MSE 反映了模型预测值与真实值之间的误差，误差越小表示模型性能越好。通过这些表达方式，你可以清晰地展示使用 MSE 进行模型评价时，哪个模型表现更优。具体数值、误差减少的程度和统计显著性分析都可以增强你的描述，使比较结果更加直观和有说服力。

论文翻译：2018_Source localization using deep neural networks in a shallow water environment 阅读目录 摘要： I 引言 II 信号模型 III MFP定位 IV 基于功能的定位 V 基于波形的定位 VI 评估 VII 结论 致谢 参考文献 论文地址：Source localization using deep neural networks in a shallow water environme.

本文主要复现加权最小均方误差算法WMMSE，并给出完整的Matlab源码。

为了填补不平衡回归方法的空白，我们提出了Balanced MSE损失函数，从统计的视角解决标签的不平衡。我们针对不平衡回归的问题设定，从统计的视角下重新思考了常用的MSE损失函数，发现MSE会受到不平衡标签分布的影响而做出不准确的预测。为解决这个问题，我们提出了Balanced MSE损失函数，并给出了灵活的实现形式，包括不需要预先计算标签分布的实现。Balanced MSE在一维与多维的不平衡回归问题上都超过了最好的现有方法。

论文中所用的误差分类整理

本文提出了一种称为 FLGCNN 的新型全卷积神经网络 (FCN)，以解决时域中的端到端语音增强问题。所提出的 FLGCNN 主要建立在编码器和解码器之上，同时添加了额外的基于卷积的短时傅立叶变换 (CSTFT) 层和逆 STFT (CISTFT) 层来模拟正向和逆向 STFT 操作。这些层旨在将频域知识集成到所提出的模型中，因为语音的基础语音信息通过时频 (T-F) 表示更清楚地呈现。此外，编码器和解码器由门控卷积层构成，因此所提出的模型可以更好地控制层次结构中传递的信息。

前言 之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。 Abstract 最近，使用卷积网络实现超分辨率的研究集中在最小化均方重构误差这一方向。这种方法可达到较高的峰值信噪比，但是恢复出的图片缺乏纹理细节。 文章提出了一种SRGAN网络，基于感知相似进行对抗训练，使网络可以从低分辨率图像中恢