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
网易云信17 分钟前
折叠屏适配,iPhone Duo 真机已交付:网易云信 IMUIKit Swift 的实践
人工智能
Be for thing1 小时前
Pytorch【12】transforms进阶|图像数据增强实战,提升模型泛化能力
人工智能·pytorch·机器学习
十有八七1 小时前
手搓 Agent(一):先有大脑——大模型只会做一件事
前端·人工智能·后端
锋行天下1 小时前
「踩坑实录」给 LangGraph Agent 接两个 FastMCP,我被 langchain 偷偷改了工具名
前端·人工智能·后端
阿里云大数据AI技术1 小时前
穹彻智能 × MaxCompute:具身智能 UMI 数据产线的全模态计算实践
人工智能
联犀1 小时前
ai时代复杂项目的golang项目如何更好的与ai共舞:monorepo+gozero
开发语言·人工智能·golang
飞Link1 小时前
灵巧手是什么?从机械结构、驱动方式到控制原理,认识机器人的精细操作能力
人工智能·python·机器人
阿里云大数据AI技术2 小时前
从“扫文件”到“找数据行”:EMR Serverless StarRocks 支持 Paimon Global Index
人工智能
武子康2 小时前
AI通关了,游戏就算通过测试了吗?
人工智能·游戏·机器学习
Seiran2 小时前
CPU 突然打满,罪魁祸首是条用了三年的正则
人工智能