评估回归模型的指标:MSE、RMSE、MAE、R2、偏差和方差 |
您所在的位置:网站首页 › 混泥土标准差大好还是小好 › 评估回归模型的指标:MSE、RMSE、MAE、R2、偏差和方差 |
在回归任务(对连续值的预测)中,常见的评估指标(Metric)有:平均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE),其中用得最为广泛的就是MAE和MSE。下面依次来进行一个大致的介绍,同时对于下面所有的计算公式: 均方误差(MSE)的定义如下, 均方根误差(RMSE)是回归模型的典型指标,用于指示模型在预测中会产生多大的误差,对于较大的误差,权重较高。 y是实际值,而y~ 是预测值, RMSE越小越好。 3,平均绝对误差平均绝对误差(MAE)用来衡量预测值与真实值之间的平均绝对误差,MAE越小表示模型越好,其定义如下: sklearn在实现线性回归时默认采用了[公式]指标,[公式]越大表示模型越好,其定义如下:
其中 偏差:描述的是预测值(估计值)的期望与真实值之间的差距。偏差越大,越偏离真实数据。 方差:描述的是预测值的变化范围,离散程度,也就是离其期望值的距离。方差越大,数据的分布越分散。
参考文档: 线性回归(模型的评估) 偏差和方差有什么区别?
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |