目录

前言

 几个高频面试题目

RMSE与MAE对比

平均绝对误差和均方误差(L1&L2)比较

MAE与MSE的性质对比

2.1 敏感度

2.2 单位与解释

2.3 数学特性

优缺点分析

3.1 MAE的优缺点

3.2 MSE的优缺点

应用场景

4.1 MAE的应用

4.2 MSE的应用

均方根误差和平均绝对误差的使用区 

使用场景：

算法原理 

什么是平均绝对误差

选择 MSE 还是 MAE 呢？

平均绝对误差与其他误差度量的比较

降低平均绝对误差的方法

注意事项

算法特点

计算平均绝对误差的步骤

数学模型

条件假设 

MAE 与 MSE 区别

应用场景

优缺点

优点

缺点

代码实现

MATLAB

R语言

python

pytorch

---

前言

在机器学习中，所有的机器学习算法都或多或少的依赖于对目标函数最大化或者最小化的过程，我们常常把最小化的函数称为损失函数，它主要用于衡量机器学习模型的预测能力。在寻找最小值的过程中，我们最常用的方法是梯度下降法。

虽然损失函数可以让我们看到模型的优劣，并且为我们提供了优化的方向，但是我们必须知道没有任何一种损失函数适用于所有的模型。损失函数的选取依赖于参数的数量、异常值、机器学习算法、梯度下降的效率、导数求取的难易和预测的置信度等若干方面。

平均绝对误差（Mean Absolute Error，简称 MAE）损失是在统计学和机器学习中常用于回归问题的另一种损失函数。MAE 损失计算了预测值与真实值之间差异的绝对值的平均，提供了一个对模型预测偏差的直观度量。与MSE相比，它对大误差的敏感性较低。

 几个高频面试题目

RMSE