Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型、解读MAE
目录
Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型、解读MAE
#平均绝对误差(MAE、Mean Absolute Error)
#仿真数据
#Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)
#Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型
#解读MAE
#平均绝对误差(MAE、Mean Absolute Error)
在统计学中，平均绝对误差(MAE)是衡量给定模型准确性的一种方法。
MAE = (1/n) * Σ|yi – xi|
where:
- Σ: 加和符号
- yi: 实际值
- xi: 预测值
- n: 样本个数
#仿真数据
-
actual = [12, 13, 14, 15, 15, 22, 27]
-
pred = [11, 13, 14, 14, 15, 16, 18]
#Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)
-
import numpy as np
-
-
def mae(actual, pred):
-
actual, pred = (actual), (pred)
-
-
return (((actual,pred))).mean()
#Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型
-
import numpy as np
-
-
def mae(actual, pred):
-
actual, pred = (actual), (pred)
-
-
return (((actual,pred)).mean())
-
-
-
-
#calculate MAE
-
-
mae(actual, pred)
-
-
2.4285714285714284
-
#解读MAE
平均绝对误差(MAE)为2.42857。
这告诉我们，实际数据值与模型预测值的平均差值为2.42857。
我们可以将这个MAE与其他预测模型获得的MAE进行比较，看看哪些模型表现最好。
给定模型的MAE越低，该模型越能预测实际值。
参考：python