为什么计算RMSE和MAE的方法不一样，得到的数值一样呀

如上图，for循环里面计算的方法不一样，为什么出来数值一样哇

计算RMSE和MAE的方法不一样，但是得到的数值通常是一样的，这是因为它们都是衡量模型预测结果与真实结果之间的差异的指标。

RMSE是均方根误差（Root Mean Squared Error）的缩写，用于衡量预测值与真实值之间的平均误差。MAE是平均绝对误差（Mean Absolute Error）的缩写，用于衡量预测值与真实值之间的绝对误差。

虽然RMSE和MAE的计算方法不同，但它们都是衡量模型预测结果与真实结果之间的差异的指标。因此，当您使用这些指标来比较模型的性能时，它们的结果通常是相同的。

不知道你这个问题是否已经解决, 如果还没有解决的话:

这篇博客: 机器学习模型评估指标和调用方法中的 均方根误差（RMSE）是MSE的平方根，计算公式如下： 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
RMSE=MSE=SSEn=1n∑i=1n(observedi−predictedi)2 RMSE =\sqrt{MSE}=\sqrt{\frac{SSE}{n}}= \frac{1}{n}\sum_{i=1}^n{(observed_i-predicted_i)^2} RMSE=MSE=nSSE=n1i=1∑n(observedi−predictedi)2
以下是sklearn中调用RMSE的示例代码：
```
from sklearn.metrics import mean_squared_error
Pred_Error = mean_squared_error(y_test,y_pred)
Sqrt(Pred_Error)
```
上述的三个评价指标均方误差、
以下回答来自chatgpt:
不能确定为什么你的RMSE和MAE计算结果相同，因为它们的计算方法不同，所以结果应该不同。但可能是数据样本较小或计算精度问题导致的。建议检查代码实现是否正确，或者使用scikit-learn等库函数来计算RMSE和MAE。具体的解决方案如下：
1. 检查代码实现
确保你在计算RMSE和MAE时使用了正确的公式，并且代码实现正确。可以参考参考资料中的公式和代码示例进行比对，发现问题后进行修改调试。
1. 使用库函数计算RMSE和MAE
可以使用Python中的库函数来计算RMSE和MAE，例如scikit-learn库中的mean_squared_error和mean_absolute_error函数。这些函数已经被广泛使用和测试，可以确保结果准确。具体代码如下：
```
from sklearn.metrics import mean_squared_error, mean_absolute_error

rmse = mean_squared_error(y_true, y_pred, squared=False)
mae = mean_absolute_error(y_true, y_pred)
```
其中y_true是真实值，y_pred是预测值。
1. 调整计算精度
如果数据样本较小或者受到计算精度的影响，可能导致RMSE和MAE计算结果相同。可以尝试调整计算精度，例如增加小数点的位数或者使用高精度计算库（例如Python的decimal库或numpy的float128类型）。但也要注意，过高的计算精度会导致计算速度变慢，所以需要平衡计算精度和计算速度的要求。
综上所述，建议优先尝试使用库函数计算RMSE和MAE，并进行代码实现的检查和调试。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^