机器学习中回归预测模型中常用四个评价指标MBE、MAE、RMSE、R2解释

在机器学习中,评估模型性能时常用的四个指标包括平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)、均方根误差(Root Mean Squared Error, RMSE)和决定系数(R-squared, R²)。

一、MBE(平均偏差误差)

平均偏差误差(MBE)是衡量模型预测值与实际值之间偏差的指标 。然而,值得注意的是,在常见的机器学习评估指标中,MBE并不如MAE、RMSE和R2那样广泛被提及或使用。在某些特定场景下,MBE可能被用作评估模型预测偏差的一个补充指标,但其具体定义和计算方法可能因应用场景的不同而有所差异。因此,在讨论机器学习评估指标时,MBE通常不是核心指标之一。

二、MAE(平均绝对误差)

MAE 是预测值与实际值之差的绝对值的平均数 。它给出了预测误差的平均大小,但不考虑误差的方向(正或负)。相比MSE和RMSE,MAE对异常值不敏感,不会因为少数大误差的平方而放大结果,适用于具有较多异常值的数据集。然而,MAE的缺点在于缺乏方向性,即它无法反映出误差是正偏还是负偏,可能不适用于需要区分偏差方向的应用场景。

三、RMSE(均方根误差)

均方根误差(RMSE)是均方误差(MSE)的平方根。MSE是衡量预测值与实际值之间平方差的平均值 ,而RMSE则将其量级与原始数据保持一致,便于解释。由于计算了平方差,RMSE对大误差的惩罚更大,适合对误差敏感的场景。RMSE的单位与原数据相同,因此容易理解。然而,RMSE的缺点在于对异常值敏感,可能会因为少数大误差的平方而放大结果。

四、R2(决定系数)

决定系数(R2)用于确定数据与拟合回归线的接近程度。它表示模型解释数据方差的比例,范围是0到1。R2的值越接近1,表示模型对数据的拟合程度越好;越接近0,表示模型对数据的拟合程度越差。R2的值被标准化在0到1之间,便于比较不同模型的性能。然而,R2的缺点在于:当数据的范围很大时,即使模型的预测值与实际值之间存在较大的偏差,R2的值也可能很高。R2无法直接反映模型是否过拟合,需要结合其他指标(如交叉验证)来评估模型的性能。

五、sklearns库里自带计算方法

1.方法一

python 复制代码
# 导入
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from math import sqrt

#测试集四个指标
predictions = rf.predict(test_datas)# 预测结果
errors = (predictions-test_labels).astype(float)  # 计算误差,确保误差是浮点数
mbe = np.mean(errors)# 计算MBE(平均偏差误差)
mae = np.mean(np.abs(errors))# 计算MAE(平均绝对误差)

rmse = np.sqrt(np.mean(errors**2))# 计算RMSE(均方根误差)
# 计算R²(决定系数)
ss_res = np.sum((predictions - test_labels)**2)  # 残差平方和
ss_tot = np.sum((test_labels - np.mean(test_labels))**2)  # 总平方和
r2 = 1 - (ss_res / ss_tot)

# 输出结果
print('MBE:',mbe)
print('MAE:', mae)
print('RMSE:', rmse)
print('R²:', r2)

mbe = sum(  predictions-test_labels) / len(test_labels)# 计算MBE
mae = mean_absolute_error(test_labels, predictions)# 计算MAE
mse = mean_squared_error(test_labels, predictions)
rmse = mse ** 0.5# 计算RMSE
r2 = r2_score(test_labels, predictions)# 计算R2
print(f"MBE: {mbe}")
print(f"RMSE: {rmse}")
print(f"MAE: {mae}")
print(f"R2: {r2}")

2.方法二

python 复制代码
# 导入
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from math import sqrt

# 训练集四个评价指标
train_pred = rf.predict(train_datas)
mbe_tr = sum( train_pred - train_labels) / len(train_labels)# 计算MBE
mae_tr = mean_absolute_error(train_labels, train_pred)# 计算MAE
mse_tr = mean_squared_error(train_labels, train_pred)
rmse_tr = mse_tr ** 0.5# 计算RMSE
r2_tr = r2_score(train_labels, train_pred)# 计算R2
print(f"MBE_tr: {mbe_tr}")
print(f"RMSE_tr: {rmse_tr}")
print(f"MAE_tr: {mae_tr}")
print(f"R2_tr: {r2_tr}")
print('---------------------------------------------------------------------------------')
# 测试集四个评价指标
test_pred = rf.predict(test_datas)
mbe_te = sum( test_pred - test_labels) / len(test_labels)# 计算MBE
mae_te = mean_absolute_error(test_labels, test_pred)# 计算MAE
mse_te = mean_squared_error(test_labels, test_pred)
rmse_te = mse_te ** 0.5# 计算RMSE
r2_te = r2_score(test_labels, test_pred)# 计算R2
print(f"MBE_te: {mbe_te}")
print(f"RMSE_te: {rmse_te}")
print(f"MAE_te: {mae_te}")
print(f"R2_te: {r2_te}")
相关推荐
2401_878624798 小时前
pytorch 自动微分
人工智能·pytorch·python·机器学习
胖达不服输8 小时前
「日拱一码」021 机器学习——特征工程
人工智能·python·机器学习·特征工程
小哥谈9 小时前
论文解析篇 | YOLOv12:以注意力机制为核心的实时目标检测算法
人工智能·深度学习·yolo·目标检测·机器学习·计算机视觉
蓝婷儿9 小时前
Python 机器学习核心入门与实战进阶 Day 4 - 支持向量机(SVM)原理与分类实战
python·机器学习·支持向量机
杰夫贾维斯9 小时前
CentOS Linux 8 的系统部署 Qwen2.5-7B -Instruct-AWQ
linux·运维·人工智能·机器学习·centos
yzx99101310 小时前
AI大模型平台
大数据·人工智能·深度学习·机器学习
盛寒12 小时前
向量空间 线性代数
python·线性代数·机器学习
Better Rose12 小时前
人工智能与机器学习暑期科研项目招募(可发表论文)
人工智能·深度学习·机器学习·论文撰写
神经星星12 小时前
在线教程丨一句话精准P图,FLUX.1 Kontext可实现图像编辑/风格迁移/文本编辑/角色一致性编辑
人工智能·深度学习·机器学习
九章云极AladdinEdu16 小时前
华为昇腾NPU与NVIDIA CUDA生态兼容层开发实录:手写算子自动转换工具链(AST级代码迁移方案)
人工智能·深度学习·opencv·机器学习·华为·数据挖掘·gpu算力