Time Series 简明教程
Time Series - Error Metrics
对模型的性能进行量化以便将其用作反馈和比较对我们来说很重要。在本教程中,我们使用了最常见的错误指标之一:均方根误差。还有其他各种可用错误指标。本章将简要讨论它们。
Mean Square Error
它是预测值与真值之间差值的平方平均值。Sklearn 以函数形式提供它。它的单位与真值和预测值的平方相同,并且始终为正。
MSE = \frac{1}{n} displaystyle\sum\limits_{t=1}^n \lgroup y' {t}\:-y {t}\rgroup^{2}
其中,$y'_{t}$ 是预测值,
$y_{t}$ 是实际值,
n 是测试集中值的总数。
从方程式中可以清楚地看出,对于较大误差或异常值,MSE 具有更大的惩罚性。
Root Mean Square Error
它是均方误差的平方根。它也总是为正,并且在数据范围内。
RMSE = \sqrt{\frac{1}{n} displaystyle\sum\limits_{t=1}^n \lgroup y' {t}-y {t}\rgroup ^2}
其中,$y'_{t}$ 是预测值,
$y_{t}$ 表示实际值,而
n 是测试集中值的总数。
它具有单位功率,因此与 MSE 相比更具可解释性。RMSE 对较大误差的惩罚也更大。我们在教程中使用了 RMSE 度量。
Mean Absolute Error
这是预测值和真值之间绝对差值的平均值。它的单位与预测值和真值相同,且始终为正。
MAE = \frac{1}{n}\displaystyle\sum\limits_{t=1}^{t=n} | y'{t}-y_{t}\lvert
其中,$y'_{t}$ 是预测值,
$y_{t}$ 表示实际值,而
n 是测试集中值的总数。