相对平均误差公式

【相对平均误差公式】在数据分析和统计学中，评估模型预测结果与实际值之间的差异是十分重要的。其中，“相对平均误差”（Mean Relative Error, MRE）是一种常用的衡量指标，用于反映预测值与真实值之间偏差的相对大小。它能够帮助我们更直观地理解模型的准确性，尤其在不同量纲或数量级的数据比较中更具优势。

一、什么是相对平均误差？

相对平均误差（MRE）是通过将每个预测值与实际值之间的差值除以实际值，再求出这些比值的平均值得到的指标。它表示的是预测值相对于实际值的平均偏离程度，因此更适合用于不同单位或范围的数据集。

其计算公式如下：

$$

\text{MRE} = \frac{1}{n} \sum_{i=1}^{n} \left \frac{y_i - \hat{y}_i}{y_i} \right

$$

其中：

- $ y_i $ 是第 $ i $ 个实际观测值；

- $ \hat{y}_i $ 是第 $ i $ 个预测值；

- $ n $ 是数据点的总数；

- 绝对值确保误差为正值，避免正负相消。

二、相对平均误差的特点

三、相对平均误差与其它误差指标的区别

四、应用实例

假设我们有以下实际值与预测值：

计算相对平均误差：

$$

\text{MRE} = \frac{0.05 + 0.05 + 0.0667 + 0.025}{4} = 0.0454

$$

即：MRE = 4.54%

五、注意事项

1. 避免分母为零：若实际值 $ y_i = 0 $，则无法计算相对误差，需特别处理。

2. 数据标准化：在使用MRE前，建议对数据进行标准化处理，以减少极端值的影响。

3. 结合其他指标：MRE应与其他误差指标如MAE、MSE等结合使用，以全面评估模型性能。

总结

相对平均误差（MRE）是一种基于比例的误差度量方式，能有效反映预测值与实际值之间的相对偏差。相比绝对误差指标，它在不同数据尺度下的比较中更具优势。然而，在使用时也需注意其对小数值的敏感性，并合理选择数据预处理方法。