常見的機器學習&資料探勘知識點之Basis
阿新 • • 發佈:2019-01-04
常見的機器學習&資料探勘知識點之Basis
- SSE(Sum of Squared Error, 平方誤差和)
SSE=∑i=1n(Xi−X⎯⎯⎯)2 - SAE(Sum of Absolute Error, 絕對誤差和)
SAE=∑i=1n|Xi−X⎯⎯⎯| - SRE(Sum of Relative Error, 相對誤差和)
SRE=∑i=1nXi−X⎯⎯⎯X⎯⎯⎯ - MSE(Mean Squared Error, 均方誤差)
MSE=∑ni=1(Xi−X⎯⎯⎯)2n - RMSE(Root Mean Squared Error, 均方根誤差),又稱SD(Standard Deviation, 標準差)
R - MAE(Mean Absolute Error, 平均絕對誤差)
MAE=∑ni=1|Xi−X⎯⎯⎯|n - RAE(Root Absolute Error, 平均絕對誤差平方根)
RAE=∑ni=1|Xi−X⎯⎯⎯|n‾‾‾‾‾‾‾‾‾‾‾‾‾‾√ - MRSE(Mean Relative Square Error, 相對平均誤差)
MRSE=∑ni=1Xi−X⎯⎯X⎯⎯n - RRSE(Root Relative Squared Error, 相對平方根誤差)
RRSE=∑ni=1Xi−X⎯⎯X⎯⎯n‾‾‾‾‾‾‾‾‾‾ - Expectation(期望)&Variance(方差)
期望是描述一個隨機變數的“期望值”,方差反映著隨機變數偏離期望的程度,偏離程度越大哦,方差越大,反之則相反。對於離散隨機變數X ,其期望為:
E(X)=∑i=1∞xip(xi)
其中p(x) 為隨機變數的X 的分佈率(概率分佈).
其方差為:
D(X)=∑i=1∞[xi−E(X)]2p(xi)
對於連續變數X ,其期望為: