机器学习模型，评估指标之回归模型---公式+优缺点+代码

机器学习模型评价指标大概有

1、回归的：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficient of determination (决定系数R2)、 MAPE（平均绝对百分误差）、MSLE（均方根对数误差）等。

2、分类的：混淆矩阵、精确率、召回率、准确率、F1值、ROC-AUC 、PRC、G-MEAN等。

3、聚类的：兰德指数、互信息、轮廓系数等。

本篇主要记录回归模型的评估指标，为什么先写回归？因为上个项目使用了回归模型，就近。在学习python，算法等技能的过程中，站在前辈们的肩膀上明白了很多知识的应用。待时间如丝线缓缓，攒起幸福的模样，学习是个积累的过程，接下来我会慢慢的整理出笔记本里的要点及部分项目 (习惯本地保存文件)。若有不正之处，尽请指教。

---

目录

1评估指标

绝对误差与相对误差

Mean absolute error  MAE（平均绝对误差）

Mean squared error  MSE（均方误差）

Root Mean squared error  RMSE（均方根误差）

Mean squared logarithmic error  MSLE（均方根对数误差）

Mean Absolute Percentage Error   MAPE（平均绝对百分误差）

R-square(决定系数) Coefficient of determination                                                                               

Adjusted R-Square (校正决定系数）

Median absolute error（中位数绝对误差）

explained_variance_score(解释方差分)

2 解决评估指标鲁棒性问题

3 参考文档

---

---

变量解释：Y 真实值，Ypredict  预测值，Ymean  目标数据均值,  n 样本数  ，p 特征数

以下为一元变量和二元变量的线性回归示意图：

 

首先了解下回归分析3种误差

SSR(回归平方和)  The sum of squares for regression   ，是估计值与平均值的误差

                                                                       SSR=

SSE(误差平方和)    The sum of squares for  error ，估计值与真实值的误差，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义,所以需要有前提条件。同样的数据集的情况下，SSE越小，误差越小，模型效果越好。

                                                                       SSE=

SST(总离差平方和)  The sum of squares for total ，平均值与真实值的误差，它反映了与数学期望的偏离程度，样本分散程度

                                                                       SSR=

回归问题衡量的是预测出Y对于真实Y的差距。通过差距辅助判断预测结果的准确性。预测值和真实值2组数据，利用均值之差进行统计推断，背后的原理 ，是方差分析的思想。绝对误差指标衡量了一组数据 与 另外一组数据的均值  差的绝对值 之和，我们南方妹子平均身高165cm(可能还稍低一些，捂脸)，另外一组175cm 左右样本，差值之和，不用算，根据之前的经验，结果显而易见，她们就是一组小仙女和一组高仙女，不一样不一样。

1评估指标

• 绝对误差与相对误差

                                                                      绝对误差= Y - Ypredict 

                                                                      相对误差 

 绝对误差是从极差发展而来的。极差是最大值－最小值，最初用极差来评价一组数据的离散度。因为由两个数据来评判一组数据是不科学的，所以从极差进行改进，改用绝对误差之和。

（1）为避免出现绝对误差总和为零，所以对绝对误差 求绝对值，求平方。
（2）而为避免指标受样本含量的影响，所以除以样本数，求平均值。

• Mean absolute error  MAE（平均绝对误差）

平均绝对误差（Mean Absolute Error,MAE),又称为L1范数损失。用于评估预测结果和真实数据集的接近程度，其值越小说明拟合效果越好。可以更好地反映预测值误差的实际情况。

                                                                     MAE=    ∑ |Y - Ypredict|

优