Time Series 简明教程

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。

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。

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。

这是预测值和真值之间绝对差值的平均值除以真值的百分比。

MAPE = \frac{1}{n}\displaystyle\sum\limits_{t=1}^n\frac{y' {t}-y {t}}{y_{t}}*100\: \%

其中，$y'_{t}$ 是预测值，

$y_{t}$ 是实际值，n 是测试集中值的总数。

然而，使用此误差的缺点是正误差和负误差可能会相互抵消。因此，需要使用平均绝对百分比误差。

这是预测值和真值之间绝对差值的平均值除以真值的百分比。

MAPE = \frac{1}{n}\displaystyle\sum\limits_{t=1}^n\frac{|y' {t}-y {t}\lvert}{y_{t}}*100\: \%

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。