mrae损失函数
    MRAE（Mean Relative Absolute Error）是一种用于评估预测模型的损失函数，也称为平均相对绝对误差。这种损失函数通常用于回归问题，计算预测值与真实值之间的误差。
    MRAE是一种相对的误差计算方法，它使用真实值和预测值之间的差异来计算误差，这种差异与真值的大小有关系。这种算法并不考虑正负号，只关注误差的大小，因此MRAE能够反映预测的准确性，而不是预测方向。
    数学定义
    MRAE的数学定义如下：absolute relative
    $$MRAE=\frac{1}{n}\sum_{i=1}^{n}\frac{|y_i-\hat{y_i}|}{|y_i|}$$
    其中，$y_i$是观测真实值，$\hat{y_i}$是预测值，$n$是观测数量。$|.|$表示取绝对值运算。
    解释
    MRAE的本质是相对误差，因为它使用了真实值与预测值之间的比率，以便反映出真实的误差。使用相对误差的优点是：降低了绝对误差大小的影响，使得预测值的大小不再影响误差的大小。
    MRAE的范围是[0,1]，其中0表示完全准确的预测模型，1表示错误的预测模型。如果MRAE的值为0.2，则意味着预测值的平均误差是真实值的20%。
    MRAE的缺点是当真实值非常小（接近0）时，相对误差会变得很大。因此，MRAE在评估预测模型时，需要结合其他评估指标一起考虑。
    使用场景
    MRAE是一种比较通用的评估回归模型的损失函数。它可以用于预测销售量、股票价格等常见的量值预测问题。它也可以用于评估机器学习和深度学习模型。
    总结
    MRAE是一种用于回归模型评估的损失函数，它使用相对误差来反映预测的准确性。使
用相对误差的优点是不会受到预测值大小的干扰，需要注意的是当真实值接近0时，相对误差会变得很大。在实际应用中需要结合其他评估指标一起考虑，以便全面衡量预测模型的性能。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。