回归评价指标

这里写目录标题

  • [1. 均方误差MSE](#1. 均方误差MSE)
  • [2. 均方根误差RMSE](#2. 均方根误差RMSE)
  • [3. 平均绝对误差MAE](#3. 平均绝对误差MAE)
  • [4. R^2^](#4. R2)
  • [5. 调整后R^2^](#5. 调整后R2)

1. 均方误差MSE

  • 回归数据和原始数据误差的平方和/原始数据个数
  • 平方的原因:不平方正负误差会抵消,对大误差更为敏感,在一些场景下更能凸显出模型预测的不准确性
  • 越接近于0,模型预测能力越强

2. 均方根误差RMSE

  • MSE开根号
  • 越接近与0,模型的预测能力越强

3. 平均绝对误差MAE

  • MSE的平方换成绝对值,也是不绝对值正负误差会抵消
  • MAE越小,模型预测精度越高,对较大误差不如MSE 敏感
  • MAE可以准确反映实际预测误差的大小

4. R2

  • TSS:样本点和均值间的差异性(数据集中数的分散程度)
  • RSS:和拟合数据间的差异性
  • R2 = 1- RSS/TSS
  • 取值范围为0,1:
  • 如果结果是 0,说明模型拟合效果很差;
    如果结果是 1,说明模型无错误。
  • 一般来说,R-Squared 越大,表示模型拟合效果越好。R-Squared 反映的是大概有多准,因为,随着样本数量的增加,R-Square必然增加,无法真正定量说明准确程度,只能大概定量

5. 调整后R2

https://www.bilibili.com/video/BV1wi4y157Tt/?vd_source=f8471cd815546af5608f92c27e8247c2

相关推荐
数字新视界3 小时前
能耗管理系统提升企业能源效率的实践与展望
大数据·人工智能·数据中心·机房管理·模块化机房
郝学胜-神的一滴4 小时前
Effective Python 条款36:优雅拼装迭代器与生成器
开发语言·数据结构·人工智能·python·numpy·scikit-learn
Frag0ut4 小时前
Chrome 2026浏览器AI助手全攻略:智能问答与内容创作实战进阶指南
人工智能·chrome·ai助手·本地大模型·浏览器ai·网页智能总结·侧边栏ai
如夏倾城5 小时前
入侵检测系统(IDS)原理、部署模式与 IPS/防火墙对比
大数据·网络·人工智能·网络安全·云原生·架构·kubernetes
Dawson Zhu5 小时前
【模型量化⑤】Weight-Only INT4:AWQ与GPTQ两大算法深度解析
人工智能·语言模型·架构·aigc·agi
水如烟5 小时前
孤能子视角:通用智能 vs 分工协同智能群系统–––集中结晶 vs 分布式结晶
人工智能
罗西的思考6 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
lilihuigz6 小时前
权限配置:WordPress 7.2 Abilities API 权限、输入验证与 JSON 输出指南
人工智能
杨凯凡6 小时前
IT日报|2026-11-20:欧盟 AI 网络攻击、Valkey 9.2、GitHub 企业迁移
人工智能·github