← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9909.c · 生成模型:Hunyuan

RMSE与LogLoss适用边界

理解等级:高级

RMSE衡量预测值与真实值的偏离,适合点击率预估这类输出概率的回归式模型。它的问题是对离群点敏感:极少数偏差巨大的样本就足以让整体指标变差。MAPE把每个点的误差归一化,降低个别离群点的绝对误差影响,鲁棒性更强。LogLoss本质是逻辑回归的损失函数,而深度学习模型输出层常用逻辑回归或softmax,因此它能直观反映训练损失与收敛情况。选择哪个指标取决于关注点:看预测概率的偏离用RMSE/MAPE,看模型收敛与概率校准用LogLoss。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 推荐系统的评估 · 查看原书依据

      一般情况下,RMSE能够很好地反映回归模型预测值与真实值的偏离程度。但在实际应用时,如果存在个别偏离程度非常大的离群点,那么即使离群点数量非常少,也会让RMSE指标变得很差。

    参考来源

    - 位置:《深度学习推荐系统》第7章 推荐系统的评估(源文件:extracted/深度学习推荐系统/_epub-src/text/part0011_split_001.html) - 结论依据:原文说明RMSE受离群点影响与MAPE的归一化改进,并指出LogLoss就是逻辑回归的损失函数、适于观察模型收敛情况。 - 原始内容:一般情况下,RMSE能够很好地反映回归模型预测值与真实值的偏离程度。但在实际应用时,如果存在个别偏离程度非常大的离群点,那么即使离群点数量非常少,也会让RMSE指标变得很差。