损失函数

2019-02-05 Tuesday    


回归问题评估

MAE

Mean Absolute Error, MAE 平均绝对误差。

\[\frac{1}{n} \sum \limits_{i=1}^{n} \lvert y_i – \hat{y}_i \rvert\]

MSE

Mean Square Error, MSE 均方误差。真实值与预测值差值的平方然后求和平均,常用作线性回归的损失函数。

\[\frac{1}{n} \sum_{i=1}^{n}(y_i - \hat y_i)^2\]

RMSE

Root Mean Square Error, RMSE 均方根误差。衡量观测值与真实值之间的偏差,常用来作为机器学习模型预测结果衡量的标准。

\[\sqrt{ \frac{1}{n} \sum_{i=1}^{n}(y_i - \hat y_i)^2 }\]

RMSLE

Root Mean Squared Log Error, RMSLE 均方根对数误差。

\[\sqrt{ \frac{1}{n} \sum_{i=1}^{n} (log(\hat{y}_i + 1) – log(y_i + 1))^2 }\]

总结

实际上,很多的比赛采用的是 RMSLE ,例如 Kaggle ,对于异常值来说,RMSE 会快速的增加,而 RMSLE 因为取了对数就不会。



如果喜欢这里的文章,而且又不差钱的话,欢迎打赏个早餐 ^_^