Python | 实测与模型数据精度评估及散点图绘制(RMSE/MAE/MB/R)

职场   2025-01-16 00:07   中国香港  
一、精度评估
在数据分析和统计建模中,我们常用的一些指标来评估模型的预测性能包括均方根误差(RMSE)、平均绝对误差(MAE)、平均偏差(MB)和皮尔逊相关系数(R)。
1. RMSE 主要用来量化模型预测值和实际观测值之间的差异。它通过计算预测 差的平方和的均值,并取其平方根,最终给出一个与原始数据单位一致的误差度量。RMSE 值越小,表示模型的预测结果与实际观测越接近,预测精度越高。
2. MAE 计算的是所有预测误差的绝对值的平均数,它直观地反映了模型预测值和实际观测值之间的平均差异。MAE 值越小,说明模型的预测误差越小,准确性更高。
3. MB 衡量的是模型预测值和实际观测值之间的平均偏差,反映了模型是否存在系统性误差。如果 MB 为零,则表示模型的预测值没有偏差。MB 值的正负可以表示模型的偏向性:正值意味着模型倾向于高估,负值则表示低估。
4. R 值用来衡量两个变量之间的线性相关性,范围从 -1 到 1。R 值接近 1 或 -1 时,表示两者之间有强的线性关系;而接近 0 则表示几乎没有线性关系。R 值为正值表示正相关,负值则表示负相关。
二、Python结果
我们基于 Excel 文件中的两列数据,计算了实测数据和模型预测数据之间的各项评估指标,并绘制了散点图。
三、需要修改
1. 文件路径及列名。
2. XY轴标题名称及单位。
3. XY轴刻度。
4.图片的输出路径及分辨率。
四、Python代码
以下是Python代码的百度网盘链接,如果您在使用过程中遇到任何问题,欢迎随时联系我们。建议使用安卓手机进行付费订阅,因为苹果手机的收费方式可能不太划算。

GIS遥感数据处理应用
会员:数据处理,ArcGIS/Python/MATLAB/R/GEE教学,指导作图和论文。
 最新文章