时间序列评价指标
评价指标
均方误差( M S E MSE MSE)
- 定义:预测值与实际值之间差异的平方和的平均值。
- 公式: ( M S E = 1 n ∑ i = 1 n ( y i − y ^ i ) 2 ) (MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2) (MSE=n1∑i=1n(yi−y^i)2) 其中, ( y i ) (y_i) (yi)是实际值, ( y ^ i ) (\hat{y}_i) (y^i) 是预测值, ( n ) (n) (n) 是样本数量。
- 特点: M S E MSE MSE是最常用的评价指标之一,它直接反映了预测误差的大小。然而, M S E MSE MSE对异常值比较敏感。
平均绝对误差( M A E MAE MAE)
- 定义:预测值与实际值之间差异的绝对值的平均值。
- 公式: ( M A E = 1 n ∑ i = 1 n ∣ y i − y ^ i ∣ ) (MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|) (MAE=n1∑i=1n∣yi−y^i∣)
- 特点:与 M S E MSE MSE相比, M A E MAE MAE对异常值不敏感。但是, M A E MAE MAE没有考虑误差的平方,可能会低估误差的大小。
平均绝对百分比误差( M A P E MAPE MAPE)
- 定义:预测值与实际值之间差异的绝对值与实际值的比值的平均值。
- 公式: ( M A P E = 1 n ∑ i = 1 n ∣ y i − y ^ i y i ∣ × 100 (MAPE = \frac{1}{n}\sum_{i=1}^{n}\left|\frac{y_i - \hat{y}_i}{y_i}\right| \times 100%) (MAPE=n1∑i=1n yiyi−y^i ×100(注意:当实际值为 0 0 0时, M A P E MAPE MAPE无法计算)
- 特点: M A P E MAPE MAPE考虑了实际值的大小,可以帮助评估模型的相对误差。但是,对于含有零值的数据集, M A P E MAPE MAPE可能不适用。
均方根误差( R M S E RMSE RMSE)
- 定义:均方误差的平方根。
- 公式: ( R M S E = 1 n ∑ i = 1 n ( y i − y ^ i ) 2 ) (RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}) (RMSE=n1∑i=1n(yi−y^i)2)
- 特点: R M S E RMSE RMSE与 M S E MSE MSE类似,但它与实际值的单位相同,因此更加直观。然而, R M S E RMSE RMSE同样对异常值敏感。
决定系数(R-squared,通常表示为( R 2 R^2 R2))
是回归分析中用于量化模型预测能力的一个统计量。它表示模型中自变量对因变量变化的解释程度,即模型能够解释的因变量变异的比例。
-
定义
决定系数( R 2 R^2 R2)的范围在 0 0 0到 1 1 1之间,其中:
( R 2 = 1 R^2 = 1 R2=1):表示模型完美地拟合了数据,即所有的观测点都落在回归线上。
( R 2 = 0 R^2 = 0 R2=0):表示模型没有解释任何因变量的变异,模型的预测值与观测值的平均值没有区别。
( 0 < R 2 < 1 0 < R^2 < 1 0<R2<1):表示模型解释了部分但非全部的因变量变异。
- 计算方法
R 2 = 1 − ∑ i = 1 n ( y i − y ^ i ) 2 ∑ i = 1 n ( y i − y ˉ ) 2 R^2 = 1 - \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i)^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2} R2=1−∑i=1n(yi−yˉ)2∑i=1n(yi−y^i)2
其中:
( Sum of Squared Residuals (SSR) \text{Sum of Squared Residuals (SSR)} Sum of Squared Residuals (SSR)) 是预测值与实际值之差的平方和,也称为残差平方和( R e s i d u a l S u m o f S q u a r e s , R S S Residual Sum of Squares,RSS ResidualSumofSquares,RSS)。
( Total Sum of Squares (SST) \text{Total Sum of Squares (SST)} Total Sum of Squares (SST)) 是因变量实际值与其均值之差的平方和,也称为总平方和( T o t a l S u m o f S q u a r e s , T S S Total Sum of Squares,TSS TotalSumofSquares,TSS)。
- 解释
( R 2 R^2 R2)值越接近 1 1 1,说明模型的拟合效果越好,能够解释的因变量变异比例越高。但是,也需要注意以下几点:
( R 2 R^2 R2)的增加不一定意味着模型预测能力的实质性提高。在某些情况下,简单地增加模型中的变量 数量(即使这些变量与因变量没有真正的关联)也可能导致( R 2 R^2 R2)的增加,但这并不意味着模型的 实际预测能力有所提高。因此,需要谨慎地解释和比较不同模型的( R 2 R^2 R2)值。
( R 2 R^2 R2)值也受样本大小的影响。在样本量很大时,即使很小的效应也可能导致较高的(R^2)值。因 此,在比较不同数据集上的模型时,需要考虑到这一点。
在某些情况下,即使( R 2 R^2 R2)值较低,模型也可能具有实际预测价值。特别是在处理具有复杂非线性 关系或存在大量随机噪声的数据时,很难达到很高的( R 2 R^2 R2)值。因此,在评估模型时,还需要考虑 其他因素(如模型的稳健性、可解释性等)。
相关文章:
时间序列评价指标
评价指标 均方误差( M S E MSE MSE) 定义:预测值与实际值之间差异的平方和的平均值。公式: ( M S E 1 n ∑ i 1 n ( y i − y ^ i ) 2 ) (MSE \frac{1}{n}\sum_{i1}^{n}(y_i - \hat{y}_i)^2) (MSEn1∑i1n(yi−y^i)…...
Docker:安装 Orion-Visor 服务器运维的技术指南
请关注微信公众号:拾荒的小海螺 博客地址:http://lsk-ww.cn/ 1、简述 Orion-Visor 是一种用于管理和监控容器的工具。它提供了一个直观的界面,用于查看容器的状态、资源使用情况以及日志等信息。在这篇技术博客中,我们将介绍如何…...
HarmonyOS Next 系列之底部标签栏TabBar实现(三)
系列文章目录 HarmonyOS Next 系列之省市区弹窗选择器实现(一) HarmonyOS Next 系列之验证码输入组件实现(二) HarmonyOS Next 系列之底部标签栏TabBar实现(三) 文章目录 系列文章目录前言一、实现原理二、…...
mac怎么录制屏幕?这2个方法你值得拥有
在数字化时代,屏幕录制已经成为一种常见且重要的工具,无论是教学演示、游戏直播还是会议记录,屏幕录制都发挥着不可或缺的作用。对于Mac用户而言,如何高效、便捷地进行屏幕录制,是一个值得探讨的话题,可是很…...
爱德华三坐标软件ACdmis.AC-dmis密码注册机
爱德华三坐标软件 AC-DMIS 是一款功能强大的三坐标测量软件,具有以下特点: • 支持多种测量模式:包括接触式测量、非接触式测量、复合式测量等,可以满足不同类型工件的测量需求。 • 高精度测量:采用先进的测量算法和…...
计算机网络 期末复习(谢希仁版本)第3章
对于点对点的链路,目前使用得最广泛的数据链路层协议是点对点协议 PPP (Point-to-Point Protocol)。局域网的传输媒体,包括有线传输媒体和无线传输媒体两个大类,那么有线传输媒体有同轴电缆、双绞线和光纤;无线传输媒体有微波、红…...
代码随想录——数组
给定一个n个元素有序(升序)的整型数组nums和一个目标值target,写一个函数搜索nums中的target,如果目标值存在返回下标,否则返回-1. //这个题说实话从逻辑上来看实在是太简单了,但是为什么每一次我写起来都感…...
计算机网络7——网络安全4 防火墙和入侵检测
文章目录 一、系统安全:防火墙与入侵检测1、防火墙1)分组过滤路由器2)应用网关也称为代理服务器(proxy server), 二、一些未来的发展方向 一、系统安全:防火墙与入侵检测 恶意用户或软件通过网络对计算机系统的入侵或攻击已成为当今计算机安…...
html+CSS+js部分基础运用20
根据下方页面效果如图1所示,编写程序,代码放入图片下方表格内 图1.效果图 <!DOCTYPE html> <html lang"en"> <head> <meta charset"UTF-8"> <meta http-equiv"X-UA-Compatible" conte…...
ISO 19115-2:2019 附录C XML 模式实现
C.1 XML 模式 本文件中定义的 UML 模型的 XML 模式在 ISO/TS 19115-3 中定义的适当 XML 命名空间中提供。新增内容包括: 命名空间前缀模式文件名Metadata for ACquisition (mac)acquisitionInformationImagery.xsdMetadata for Resource Content (mrc)contentInfo…...
DevOps的原理及应用详解(一)
本系列文章简介: 在当今快速变化的商业环境中,企业对于软件交付的速度、质量和安全性要求日益提高。传统的软件开发和运维模式已经难以满足这些需求,因此,DevOps(Development和Operations的组合)应运而生&a…...
【冲刺秋招,许愿offer】第 三 天(水一天)
【冲刺秋招,许愿offer】第 二 天(水一天) 知识点牛客emo 知识点 今天端午,上午去摘杏下午理发,一天没咋看电脑。晚上刷刷LeetCode看看八股。 牛客 spring事务失效的情况 捕获到异常,自己手动处理 方法修…...
使用 C# 学习面向对象编程:第 6 部分
继承 亲爱的读者,继承意味着从源头继承一些东西。例如,儿子可以继承父亲的习惯。同样的概念也用于面向对象编程;它是 OOP 的第二大支柱。 继承允许创建一个新类,该新类继承另一个类或基类的属性,继承这些成员的类称为…...
分布式训练基础入门
1.单节点训练 单节点训练也会转换为等价的并行训练,如在GPU内同一wrap内的32个Thread执行同一指令,但处理不同的数据。 训练程序往往实现了一个多层神经网络的执行过程。该神经网络的执行由一个计算图(Computational Graph)表示。…...
AWS S3存储桶中如何下载文件
AWS S3存储桶中如何下载文件 1.单个下载 AWS S3 控制台提供了下载单个文件的功能,但是不支持直接在控制台中进行批量下载文件。您可以通过以下步骤在 AWS S3 控制台上下载单个文件: 1.1登录 AWS 管理控制台。 1.2转到 S3 服务页面。 1.3单击…...
「网络原理」三次握手四次挥手
🎇个人主页:Ice_Sugar_7 🎇所属专栏:计网 🎇欢迎点赞收藏加关注哦! 三次握手&四次挥手 🍉连接管理🍌三次握手🍌意义🍌四次挥手🍌TCP 状态转换…...
第二十四章 SOAP 错误处理 - 发生故障时添加 WS-Addressing 标头元素
文章目录 第二十四章 SOAP 错误处理 - 发生故障时添加 WS-Addressing 标头元素%SOAP.Fault12.Code 属性SubcodeValue %SOAP.Fault12.Text 属性Textlang 发生故障时添加 WS-Addressing 标头元素 第二十四章 SOAP 错误处理 - 发生故障时添加 WS-Addressing 标头元素 %SOAP.Fault…...
CSS真题合集(一)
CSS真题合集(一) 1. 盒子模型1.1 盒子模型的基本组成1.2 盒子模型的实际大小1.3 盒子模型的两种类型1.4 设置盒子模型1.5 弹性盒子模型 2. BFC2.1 主要用途2.2 触发BFC的方法2.2 解决外边距的塌陷问题(垂直塌陷) 3. 响应式布局3.1…...
Golang | Leetcode Golang题解之第144题二叉树的前序遍历
题目: 题解: func preorderTraversal(root *TreeNode) (vals []int) {var p1, p2 *TreeNode root, nilfor p1 ! nil {p2 p1.Leftif p2 ! nil {for p2.Right ! nil && p2.Right ! p1 {p2 p2.Right}if p2.Right nil {vals append(vals, p1.V…...
离奇问题:java通过poi读取excel单元格的小数时会出错
问题 java通过poi读取excel单元格的小数时会出错,分析后发现是因为会损失精度。 处理的代码 /*** DataFormatter 直接new就行:DataFormatter df new DataFormatter();*/ private String getNumericCellValue(Cell cell, DataFormatter df) {String val…...
Windows系统下Tesseract OCR与Python结合实战:从安装到文字识别应用
1. Windows系统下Tesseract OCR的安装与配置 第一次接触OCR技术时,我被它的神奇能力震撼到了——居然能让计算机读懂图片里的文字!作为一款开源OCR引擎,Tesseract在文字识别领域已经默默耕耘了十几年。记得我刚开始用的时候还是3.x版本&#…...
三维点云到二维图像投影的实战指南:从原理到代码实现
1. 三维点云投影二维图像的核心原理 第一次接触三维点云投影时,我也被各种坐标系转换绕得头晕。后来发现只要抓住一个核心:三维到二维的投影本质上是坐标系转换的接力赛。想象你拿着手机拍照,物体从现实世界到手机屏幕的旅程,就是…...
【部署】windows下虚拟机OpenClaw Ubuntu 24.04.4 安装指南
未来已来,只需一句指令,养龙虾专栏导航,持续更新ing… 概述 前置环境:win10/11、vmware等虚拟机(安装时注意勾选VMware Tools、cpu可以分配2C,内存建议4G,硬盘空间建议给40G) 系统要求 Node.js 22+:安装脚本可自动检测并安装(下文补充手动安装方案); Ubuntu 24.0…...
嵌入式系统调试常见问题与解决方案
嵌入式系统调试中的典型问题分析与解决策略1. 常见调试问题案例分析1.1 程序文件版本错误在嵌入式开发过程中,一个常见的低级错误是使用了错误的程序文件版本。某工程师在调试时发现单片机完全不执行程序,即使是最基本的GPIO控制也无法实现。经过以下排查…...
在Windows和RV1126上部署ONNX肺部分割模型:一份OpenCV DNN与RKNN的完整对比实践
跨平台肺部分割模型部署实战:OpenCV DNN与RKNN技术选型指南 当医疗影像分析遇上边缘计算,开发者们常常面临一个关键抉择:如何在保证精度的前提下,将训练好的深度学习模型高效部署到不同计算平台?本文将以肺部分割模型为…...
如何用Sunshine打造个人游戏串流中心:跨设备畅玩的终极指南
如何用Sunshine打造个人游戏串流中心:跨设备畅玩的终极指南 【免费下载链接】Sunshine Sunshine: Sunshine是一个自托管的游戏流媒体服务器,支持通过Moonlight在各种设备上进行低延迟的游戏串流。 项目地址: https://gitcode.com/GitHub_Trending/su/S…...
保研党必看:用本科论文逆袭IEEE二区期刊的5个关键操作(含时间管理秘籍)
保研党必看:用本科论文逆袭IEEE二区期刊的5个关键操作(含时间管理秘籍) 在保研竞争日益激烈的当下,一篇高质量的学术论文往往能成为决定成败的关键。对于大多数本科生来说,科研经历有限、资源匮乏是普遍面临的困境。但…...
Bitahub算力上新 RTX3080 10G重磅登场
针对当前 AI 开发与科研场景中算力成本高、配置复杂的痛点,Bitahub 平台推出了 RTX3080 10G 显卡算力服务。该显卡具备 10GB 显存,能够满足模型训练、推理等多场景算力需求,同时平台定价极具竞争力:单卡低至 0.82 元 / 小时&#…...
Windows下BERTopic安装避坑指南:解决hdbscan报错(附Python 3.8环境配置)
Windows下BERTopic安装避坑指南:解决hdbscan报错(附Python 3.8环境配置) 第一次在Windows上安装BERTopic时,那个红色的hdbscan报错信息让我盯着屏幕发了十分钟呆。作为一款强大的主题建模工具,BERTopic的安装本不该如此…...
RTC成语音AI基础设施:AWS和ElevenLabs相继跟进,ZEGO已跑三年
2026 年 3 月,语音 AI 领域迎来一个值得关注的技术信号:AWS(亚马逊云科技)与 ElevenLabs 在同一个月内相继宣布支持 WebRTC 协议。这一时间上的高度吻合,折射出行业对实时语音交互底层架构的共同判断:传统 …...
