構築したアルゴリズムの予測結果を評価するための誤差について

以下の誤差を紹介します。

	略称	日本語
Mean Absolute Error	MAE	平均絶対誤差
Mean Absolute Persentage Error	MAPE	平均絶対誤差率
Root Mean Squared Error	RMSE	平均平方二乗誤差
Root Mean Squared Persentage Error	RMSPE	平均平方二乗誤差率

Mean Absolute Error

基本。

\dfrac {1}{N} \sum ^{N}_{i=1}\left| \widehat {y_{i}}- y_{i}\right|

from sklearn.metrics import mean_absolute_error
mean_absolute_error(true, pred)

異なるスケール間の誤差を比較できる。

\dfrac {100}{N}\sum ^{N}_{i=1}\left| \frac{ \widehat {y_{i}}-y_{i} }{y_{i}}\right|

import numpy as np
np.mean(np.abs((pred - true) / true)) * 100

MAEに比べ誤差の影響が大きい。

\left(\dfrac {1}{N}\sum ^{N}_{i=1}\left( \widehat {y_{i}}-y_{i} \right)^2\right)^{\frac{1}{2}}

import numpy as np
from sklearn.metrics import mean_squared_error
np.sqrt(mean_squared_error(true, pred))

誤差の影響を大きく反映し、かつ異なるスケール間の誤差を比較できる。

100\left(\dfrac {1}{N}\sum ^{N}_{i=1}\left( \frac{\widehat {y_{i}}- y_{i} }{y_{i}}\right)^2\right)^{\frac{1}{2}}

import numpy as np
np.sqrt(np.mean(((pred - true) / true)**2))*100