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. R^2^)
- [5. 调整后R^2^](#5. 调整后R^2^)
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. R^2^
- 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
- R^2^ = 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R^2^
https://www.bilibili.com/video/BV1wi4y157Tt/?vd_source=f8471cd815546af5608f92c27e8247c2