1.误差分析
1.1 MSE均方误差
定义： 参数估计中估计值(Yp)与真值(Yt)之差平方的期望值（mean,试验中每次可能结果的概率*结果的总和）
计算方法：
M
S
E
=
∑
1
≤
i
≤
n
(
Y
p
?
Y
t
)
2
n
MSE=\dfrac{{\sum\limits_{1≤i≤n} (Yp-Yt)^2}}{n}
MSE=n1≤i≤n∑?(Yp?Yt)2? （MSE=\dfrac{{\sum\limits_{1≤i≤n} (Yp-Yt)^2}}{n}）
两种调用方法：
mse = mean_squared_error(pre_flow, real_flow);
tfmse=tf.reduce_mean(tf.square(pre_flow-real_flow))
1.2 RMSE均方根误差
定义： 参数估计中估计值(Yp)与真值(Yt)之差平方与估计次数n值的平方根
计算方法：
R
M
S
E
=
∑
1
≤
i
≤
n
(
Y
p
?
Y
t
)
2
n
=
M
S
E
RMSE=\sqrt\dfrac{{\sum\limits_{1≤i≤n} (Yp-Yt)^2}}{n}=\sqrt{MSE}
RMSE=n1≤i≤n∑?(Yp?Yt)2?
?=MSE
?（RMSE=\sqrt\dfrac{{\sum\limits_{1≤i≤n} (Yp-Yt)^2}}{n}=\sqrt{MSE}）
调用方法：
rmse = math.sqrt(mean_squared_error(pre_flow, real_flow))
1.3 MAE平均绝对误差
定义： 参数估计中单个估计值(Yp)与算术平均值(Ya)之差的绝对值的平均
计算方法：
M
A
E
=
∑
1
≤
i
≤
n
∣
Y
p
?
Y
t
∣
n
MAE=\dfrac{{\sum\limits_{1≤i≤n}\vert Yp-Yt \vert}}{n}
MAE=n1≤i≤n∑?∣Yp?Yt∣?（MAE=\dfrac{{\sum\limits_{1≤i≤n}\vert Yp-Yt \vert}}{n}）
调用方法：
mae = mean_absolute_error(pre_flow, real_flow)
|