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
达柳斯·绍达华·宁18 分钟前
自动驾驶04:点云预处理03
人工智能·机器学习·自动驾驶
wgc2k21 分钟前
吴恩达深度学习复盘(4)神经网络的前向传播
人工智能·深度学习
屎派克22 分钟前
神经网络知识
人工智能·深度学习·神经网络
补三补四42 分钟前
k近邻算法K-Nearest Neighbors(KNN)
人工智能·机器学习
AI绘画月月44 分钟前
AI绘画 | Stable Diffusion 图片背景完美替换
图像处理·人工智能·计算机视觉·ai作画·stable diffusion·midjourney·sd
阿里云大数据AI技术1 小时前
阿里云 AI 搜索开放平台新发布:增加 QwQ 模型
人工智能·云计算
Toky丶1 小时前
【文献阅读】Vision-Language Models for Vision Tasks: A Survey
人工智能·语言模型·自然语言处理
小白狮ww1 小时前
Retinex 算法 + MATLAB 软件,高效率完成图像去雾处理
开发语言·人工智能·算法·matlab·自然语言处理·图像识别·去雾处理
掘金安东尼1 小时前
用 Python 搭桥,Slack 上跑起来的 MCP 数字员工
人工智能·面试·github