RMSE、MSE、MAE、SD 简单介绍

小渣渣

RMSE（Root Mean Square Error）均方根误差

衡量观测值与真实值之间的偏差。

常用来作为机器学习模型预测结果衡量的标准。



MSE（Mean Square Error）均方误差

MSE是真实值与预测值的差值的平方然后求和平均。

通过平方的形式便于求导，所以常被用作线性回归的损失函数。MSE的值越小，说明预测模型描述实验数据具有更好的精确度。



MAE（Mean Absolute Error）平均绝对误差

是绝对误差的平均值。

可以更好地反映预测值误差的实际情况。



SD（Standard Deviation）标准差

方差的算术平均根。

用于衡量一组数值的离散程度。

小渣渣

MSE（Mean Square Error）均方误差计算

Python 版本

登录可见。

.NET/C# 版本（两种实现）

登录可见。

小渣渣

Math.NET的统计函数类

Math.NET在MathNet.Numerics.Statistics命名空间中的基本数据统计类及作用介绍如下，静态类中的方法基本上都可以直接作为扩展方法使用：

1.Statistics类，基础的数据集统计，如最小值，最大值，平均值，总体方差，标准差等等。为静态类，注意Statistics是一个总体的统计类，其很多函数的调用都是根据数据集的类型分开调用StreamingStatistics和ArrayStatistics；

2.StreamingStatistics，静态类，是流数据集的统计，适合于一些大数据集，不能一次性读入内存的情况；

3.ArrayStatistics，静态类，是普通的未排序数组数据集的统计，一次性都加载在内存，因此计算比较方便；

4.SortedArrayStatistics，静态类，是排序数组数据集的统计；

5.DescriptiveStatistics，非静态类，与Statistics类的功能类似，但不一样的是Statistics是静态方法，一一计算，而该类是初始化的时候，可以一次性计算所有的指标，直接通过属性进行获取。

6.RunningStatistics，非静态类，和Statistics类功能差不多，但允许动态更新数据，进行再次计算；

参考：

https://www.cnblogs.com/asxinyu/p/Dotnet_Opensource_MathNet_Basic_Statistics_10.html
https://www.mathdotnet.com/
https://github.com/mathnet

小渣渣

RMSE（Root Mean Square Error）均方根误差

python 版本

登录可见。

.NET/C# 版本

登录可见。

如下图：