PyTorch中近似模型的准确率计算方法咨询

首先要明确：回归（近似）任务没有“准确率”这个概念，分类任务的准确率是基于“预测类别是否完全匹配”的统计，但回归任务中预测值是连续的，我们需要用专门的回归评估指标来衡量模型表现。以下是行业通用的最佳实践指标，以及你提到的方法的定位：

常用评估指标 #

• 平均绝对误差（MAE）
  公式：MAE = avg(|y_true - y_pred|)
  直接衡量预测值与真实值的平均绝对偏差，数值越小代表模型预测越准，优点是对异常值鲁棒性较好，结果易解释。

• 均方误差（MSE）/均方根误差（RMSE）
  公式：MSE = avg((y_true - y_pred)²)，RMSE = sqrt(MSE)
  MSE对大偏差的惩罚更重，适合需要重点关注极端预测错误的场景；RMSE和目标变量单位一致，比MSE更直观。

• 归一化平均绝对误差（NMAE）
  就是你提到的avg(|y - y_pred|) / (max(y)-min(y))，属于行业认可的归一化误差指标。它将误差缩放到[0,1]区间，能直观反映平均误差占目标变量取值范围的比例，非常适合跨不同尺度的任务对比模型表现。

• R²分数（决定系数）
  公式：R² = 1 - (sum((y_true - y_pred)²) / sum((y_true - avg(y_true))²))
  衡量模型能够解释的目标变量变异的比例，取值范围为(-∞,1]，越接近1代表模型拟合效果越好，是回归任务中最常用的综合评估指标之一，能直接对比模型与“基准模型（预测均值）”的性能差异。

指标选择建议 #

• 如果需要类似“准确率”的直观比例指标，NMAE是很好的选择，它能清晰展示模型的平均误差占目标变量范围的百分比；
• 如果要综合衡量模型对数据的拟合能力，R²分数是行业首选；
• 如果需要关注极端错误，优先考虑RMSE。

PyTorch实现示例 #

import torch

# 计算归一化平均绝对误差（NMAE）
def compute_nmae(y_true, y_pred):
    mae = torch.mean(torch.abs(y_true - y_pred))
    y_range = torch.max(y_true) - torch.min(y_true)
    return mae / y_range

# 计算R²分数
def compute_r2(y_true, y_pred):
    ss_residual = torch.sum((y_true - y_pred) ** 2)
    ss_total = torch.sum((y_true - torch.mean(y_true)) ** 2)
    # 防止分母为0的边界情况
    if ss_total == 0:
        return 1.0 if ss_residual == 0 else 0.0
    return 1 - (ss_residual / ss_total)

# 测试示例
y_true = torch.tensor([2.5, 4.2, 5.0, 7.1, 9.3])
y_pred = torch.tensor([2.7, 4.0, 5.2, 6.8, 9.5])

nmae_score = compute_nmae(y_true, y_pred)
r2_score = compute_r2(y_true, y_pred)

print(f"NMAE: {nmae_score.item():.4f}")
print(f"R²分数: {r2_score.item():.4f}")

内容的提问来源于stack exchange，提问作者Sagi Mann