码迷,mamicode.com
首页 > 其他好文 > 详细

性能度量RMSE

时间:2018-07-18 10:57:59      阅读:194      评论:0      收藏:0      [点我收藏+]

标签:第一个   不同的   UNC   label   表示   函数名   大写   性能   分享   

回归问题的典型性能度量是均方根误差(RMSE:Root Mean Square Error)。如下公式。

技术分享图片

  1. m为是你计算RMSE的数据集中instance的数量。
  2. x(i)是第i个实例的特征值向量 ,y(i)是其label(期望的模型输出)。如下:
    技术分享图片
  3. X是包含了所有实例的特征值(不包含label)的矩阵。每行代表一个实例,并且每行等于x(i)向量的转置:(x(i))T 。 下图矩阵中的第一行为2中向量的转置(列向量变为行向量)。
    技术分享图片

  4. h是预测函数,当输入是某实例的特征向量x(i) 应用函数之后,结果为?(i)=h(x(i)). ?也叫作y-hat. 比如:对第一个实例应用函数h后结果为158400,即?(1)=h(x(1))=158400。那么预测误差/错误为?(1)-y(1) = 158400 - 156400 = 2000.
  5. RMSE(X,h) 是在数据集X上应用于函数h计算的cost function。 

以上,我们使用小写斜体表示标量(m,y(i)),函数名(h)。小写粗体表示向量(x(i)). 大写粗体表示矩阵(X).

还有一种度量方法为: Mean Absolute Error. 理解起来也比较简单。
技术分享图片

下面是一张图,通过线性关系生动解释了RMSE。4个黑色的点是数据集(包括标签),蓝色的线是我们的预测函数h: ?=2.50x-2。从而可以求出RMSE为0.707.与之前不同的是这里取m为3(m-1)而不是4。

结论: RMSE越小,说明模型越fit数据。

技术分享图片

 

性能度量RMSE

标签:第一个   不同的   UNC   label   表示   函数名   大写   性能   分享   

原文地址:https://www.cnblogs.com/nativestack/p/ml_rmse.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!