今天看到一篇比较好的讲三者关系的文章， 尤其讲了一些应用场景，觉得不错. 以下是译文
MAE – Mean Absolute Error
MAE 是对于整个测试集中，预测值和观察值的平均差异。
它将所有预测价格与实际价格之间的差异进行求和，然后将它们相加，然后除以观察次数。预测是高于还是低于实际价格都没有关系，算法只会查看绝对值，较低的值表示较高的精度。
在我们的案例中（原文有链接），MAE告诉我们，平均而言，我们的预测大约减少了24,213美元。这是好事还是坏事？为了进行比较，我们可以返回之前由Python打印的统计信息表，平均房价大约是493,091美元。通过简单的计算，我们可以得出误差大约是平均房价的5％，我认为这相当不错。但是，我们的训练和测试集非常小，当使用更大的数据集时，情况可能会发生重大变化。该数值越低越好。
当我们不太担心异常值时可以使用MAE。
MSE - Mean Squared Error
我个人不太关注MSE，因为我将其视为计算RMSE的前奏。但是，让我们看看它的含义。
- Mean: 均值
- Squared: 误差的平方。如果差异是2，MES就是4； 如果差异是3， MES就是9.
由于平方，它为较大的错误分配了更多的权重。然后，算法继续将它们相加并求平均值。如果你担心异常值，这是要查看的数字。请注意，因为有个平方，所以它的单位和数据单位不同。该数值越低越好。
RMSE - Root Mean Squared Error
MSE的平方根就是RMSE。该数字与要预测的值使用相同的单位。在我们的案例中，RMSE大约为$ 28,701。该值高于MAE，约为平均房价的6％。可以接受吗？完全取决于个人观点。
当你要查看离群值的时候，MSE和RMSE确实非常有用。你可以去研究这些异常值，并将其从数据集中完全删除。也许更好的方法是，更深入地了解它们。
我希望在对错误进行简短介绍之后，你可以就模型和预测的有用性做出更明智的决定。
[译文结束]
个人总结
- RMSE 和 MAE 因为和数据的单位相同，所以更具参考价值。
- MAE，RMSE 有差异，RMSE跟多收到 离群值（outlier）影响。
- MSE 因为会放大差异， 所以对发现离群值（outlier）有帮助。
- 利用RMSE， MAE 评估模型，需要结合预测值，计算出误差的百分比。
- 以上三者越低越好。
网友评论