迴歸模型效果評估系列2-MAE、MSE、RMSE、MAPE(MAPD)

   MAE、MSE、RMSE、MAPE(MAPD)這些都是常見的迴歸預測評估指標，重溫下它們的定義和區別以及優缺點吧

 

 

MAE(Mean Absolute Error) 平均絕對偏差 

                                               

    是基礎的評估方法，後面的方法通常以此爲參考對比優劣。

MSE(Mean Square Error) 平均平方差

                                             

    對比MAE，MSE能夠放大預測誤差較大的值，能夠比較不一樣預測模型的穩定性，應用場景相對多一點。

RMSE(Root Mean Square Error) 方均根差

                                            

    由於使用的是平均偏差，而平均偏差對異常點較敏感，若是迴歸器對某個點的迴歸值很不合理，那麼它的偏差則比較大，從而會對RMSE的值有較大影響，即平均值是非魯棒的。

    改進：使用偏差的分位數來代替，如中位數來代替平均數。假設100個數，最大的數再怎麼改變，中位數也不會變，所以其對異常點具備魯棒性。

   平均平方差/均方偏差是迴歸任務最經常使用的性能度量。

MAPE (Mean Absolute Percentage Error, 也叫mean absolute percentage deviation (MAPD)

                                           

    MAPE不單單考慮預測值與真實值的偏差，還考慮了偏差與真實值之間的比例，在某些場景下，好比房價從0.5w到5w之間，0.5預測成1.0與5.0預測成4.5的差距是很是大的，在一些競賽當中，MAPE也是經常使用的目標函數之一。

    在統計領域是一個預測準確性的衡量指標。