- 概述
对于回归而言，模型性能的好坏主要体现在拟合的曲线与真实曲线的误差。主要的评价指标包括：拟合优度/R-Squared，校正决定系数(Adjusted R-square)，均方误差（MSE），均方根误差（RMSE），误差平方和(SSE)，平均绝对误差（MAE），平均绝对百分比误差(MAPE)。
- 均方误差
（Mean Squared Error，MSE）：观测值与真值偏差的平方和与观测次数的比值：
; 要点：
- MSE相当于模型中的损失函数，线性回归过程中尽量让该损失函数最小。
- 模型之间的对比也可以用它来比较。
-
MSE可以评价模型的预测精度，MSE的值越小，说明预测模型对于目标的拟合程度越精确。
-
均方根误差（标准误差）
（Root Mean Squard Error，RMSE）：均方误差的算术平方根。
; 要点：
- 均方根误差是用来衡量观测值同真值之间的偏差。
- 它的意义在于开个根号后，误差的结果就与数据是一个级别的，可以更好地来描述数据。
- 标准误差对一组测量中的特大或特小误差反映非常敏感（易受异常值的影响），
-
所以，标准误差能够很好地反映出测量的精密度。这正是标准误差在工程测量中广泛被采用的原因。
-
平均绝对误差
（Mean Absolute Error，MAE）：平均绝对误差是绝对误差的平均值
; 4、平均绝对百分比误差(MAPE)
平均绝对百分比误差（Mean Absolute Percentage Error），与RMSE相比， 更加鲁棒，因为MAPE对每个点的误差进行了归一化。
- 拟合优度/R-squared
- 分子就是我们训练出的模型预测的误差和。
- 分母就是瞎猜的误差和。（通常取观测值的平均值）
如果结果是0，就说明我们的模型跟瞎猜差不多。
如果结果是1。就说明我们模型无错误。
- R 2 介于0~1之间，越接近1，回归拟合效果越好，
一般认为超过0.8的模型拟合优度比较高。
化简上面的公式
分子分母同时除以m，那么分子就变成了我们的均方误差MSE，下面分母就变成了方差。
; 6. 校正决定系数(Adjusted R-square)
其中，n为样本数量，p为特征数量。
取值范围还是负无穷到1，大多是 0~1，且越大越好
Original: https://blog.csdn.net/nixiang_888/article/details/117906292
Author: Xiaofei@IDO
Title: 机器学习：回归模型的评价指标
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/631486/
转载文章受原作者版权保护。转载请注明原作者出处！