檢舉內容
檢舉內容

Mean squared error

更新於 發佈於 閱讀時間約 1 分鐘

MSE vs. MAE 差異比較

MSE(均方誤差):

1️⃣ 對大誤差更敏感(平方放大效果)。

2️⃣ 更適合需要懲罰大誤差的應用,如醫療預測。

3️⃣ 單位是數據單位的平方,解釋性稍差。

MAE(平均絕對誤差):

1️⃣ 對大誤差不敏感,對異常值更穩健。

2️⃣ 單位與原始數據相同,易於解釋。

3️⃣ 適合異常值較多的情境,如房價預測。

👉 簡單來說,MSE 重視大誤差,MAE 注重穩健性!


raw-image
zoomable



為什麼會看到廣告
A-rod-avatar-img
A-rod喜歡這篇
avatar-img
0會員
34內容數
留言
avatar-img


留言分享你的想法!
Princend的沙龍 的其他內容
MAE(Mean Absolute Error) 平均絕對誤差 又被稱為 L1 損失 常被用於 評估迴歸模型的準確性 對異常值穩定性比較好 數值越低代表模型越好
橫軸代表輸入值 (z) 縱軸代表輸出值 (J(z)) 當輸入值小於或等於閾值 κ 時,函數輸出為 0 當輸入值大於閾值 κ 時,函數輸出等於輸入值本身。 閾值 κ意味著只有超過閾值的輸入特徵才會被模型考慮,而其他特徵則會被忽略(稀疏性) google的gemma2模型有應用到此act
1.從提案分布 q(x) 中抽樣候選點 x。 2.隨機生成 y∼U(0,c⋅q(x))。 3.若 y ≤ p(x),接受點 x;否則拒絕。
1.計算其累積分布函數,使得 𝐹(𝑥)的範圍為 [0,1] 2.從均勻分布 𝑈(0,1) 中生成一個隨機數 𝑢(藍色的點) 3.計算反函數 4.從反函數中抽樣x(紅色的點)
PDF (Probability Density Function,機率密度函數)是隨機變數的機率密度,描述分布形狀 CDF (Cumulative Distribution Function,累積分布函數)是其累積機率,表示小於等於某值的總機率。PDF 是 CDF 的導數,CDF 是 PDF 的積
高斯分布 又稱常態分布 是機器學習中常見的數據分佈,應用於分類、降維、密度估計與異常檢測等,擁有簡單數學特性和廣泛應用場景。
MAE(Mean Absolute Error) 平均絕對誤差 又被稱為 L1 損失 常被用於 評估迴歸模型的準確性 對異常值穩定性比較好 數值越低代表模型越好
橫軸代表輸入值 (z) 縱軸代表輸出值 (J(z)) 當輸入值小於或等於閾值 κ 時,函數輸出為 0 當輸入值大於閾值 κ 時,函數輸出等於輸入值本身。 閾值 κ意味著只有超過閾值的輸入特徵才會被模型考慮,而其他特徵則會被忽略(稀疏性) google的gemma2模型有應用到此act
1.從提案分布 q(x) 中抽樣候選點 x。 2.隨機生成 y∼U(0,c⋅q(x))。 3.若 y ≤ p(x),接受點 x;否則拒絕。
1.計算其累積分布函數,使得 𝐹(𝑥)的範圍為 [0,1] 2.從均勻分布 𝑈(0,1) 中生成一個隨機數 𝑢(藍色的點) 3.計算反函數 4.從反函數中抽樣x(紅色的點)
PDF (Probability Density Function,機率密度函數)是隨機變數的機率密度,描述分布形狀 CDF (Cumulative Distribution Function,累積分布函數)是其累積機率,表示小於等於某值的總機率。PDF 是 CDF 的導數,CDF 是 PDF 的積
高斯分布 又稱常態分布 是機器學習中常見的數據分佈,應用於分類、降維、密度估計與異常檢測等,擁有簡單數學特性和廣泛應用場景。
你可能也想看
Google News 追蹤