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
微学AI5 分钟前
融合注意力机制和BiGRU的电力领域发电量预测项目研究,并给出相关代码
人工智能·深度学习·自然语言处理·注意力机制·bigru
知来者逆16 分钟前
计算机视觉——速度与精度的完美结合的实时目标检测算法RF-DETR详解
图像处理·人工智能·深度学习·算法·目标检测·计算机视觉·rf-detr
一勺汤19 分钟前
YOLOv11改进-双Backbone架构:利用双backbone提高yolo11目标检测的精度
人工智能·yolo·双backbone·double backbone·yolo11 backbone·yolo 双backbone
武汉唯众智创21 分钟前
高职人工智能技术应用专业(计算机视觉方向)实训室解决方案
人工智能·计算机视觉·人工智能实训室·计算机视觉实训室·人工智能计算机视觉实训室
Johny_Zhao32 分钟前
MySQL 高可用集群搭建部署
linux·人工智能·mysql·信息安全·云计算·shell·yum源·系统运维·itsm
一只可爱的小猴子42 分钟前
2022李宏毅老师机器学习课程笔记
人工智能·笔记·机器学习
地瓜机器人1 小时前
乐聚机器人与地瓜机器人达成战略合作,联合发布Aelos Embodied具身智能
人工智能·机器人
带娃的IT创业者1 小时前
《AI大模型趣味实战》基于RAG向量数据库的知识库AI问答助手设计与实现
数据库·人工智能
__Benco1 小时前
OpenHarmony - 小型系统内核(LiteOS-A)(十),魔法键使用方法,用户态异常信息说明
人工智能·harmonyos
小杨4041 小时前
python入门系列二十(peewee)
人工智能·python·pycharm