如何评价回归算法的优劣 MSE、RMSE、MAE、R-Squared

最新推荐文章于 2025-02-08 16:37:34 发布
最新推荐文章于 2025-02-08 16:37:34 发布
阅读量3.4w 收藏 65
点赞数 10
分类专栏： 机器学习基础 文章标签： python 机器学习 统计学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/itslifeng/article/details/108096358
版权
本文探讨回归算法的评估指标，包括MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）和R-Squared（决定系数）。MSE和RMSE越小表示模型预测效果越好，但易受异常值影响；MAE不受异常值影响，但无法体现误差大小；R-Squared值越接近1表示模型拟合度越高。在评估模型时需综合考虑这些指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

如何评价回归算法的优劣 MSE、RMSE、MAE、R-Squared

前言

回归算法同分类算法不同，回归算法主要用来预测，而分类算法的目的是为了分类，所以两种算法的评判标准当然也不一样。
本文就是从MSE、RMSE、MAE、R-Squared四个指标来谈一谈如何衡量回归算法的好坏。

均方误差 MSE（Mean Squared Error）

均方误差是误差的平方的期望值，而误差是指估计值和被估计值的差。公式如下：
在这里插入图片描述
那么多少MSE才是最好的呢？理论上来说MSE=0是最好的，但是一般不可能达到，所以MSE越接近0越好。
但是这又面临另外一个问题，如果MSE越小，这就代表着模型更有可能Overfit（反之就是Underfit）。我们通常都是想要一个balance between overfit and underfit.

为了更详细的解释一下MSE，我们来手工计算一次：

有一列数组： (43,41),(44,45),(45,49),(46,47),(47,44)

  • 通过这一些列数组得到回归方程如下：

y= 9.2 + 0.8x.

  • 将X带入方程获得相对应的 Y’ 预测值，如下：
9.2 + 0.8(43) = 43.6
9.2 + 0.8(44) = 44.4
9.2 + 0.8(45) = 45.2
9.2 + 0.8(46
最低0.47元/天 解锁文章
关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation（标准差）
菜鸟进阶
03-15 2万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍： 1、均方误差（MSE） MSE （Mean Squared Error）叫做均方误差，是反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量，(θ-t)2的数学期望，称为估计量t的均方误差。它等于σ2+b2，其中σ2...
线性回归评价指标
sun91019718的博客
03-08 2692
本文参考饼干Japson《模型之母：线性回归的评价指标》编写 今天，我们学习线性回归算法的评价指标——MSE、RMSE、MAE、R Square。 一、了解线性回归算法的衡量标准 引用饼干Japson的话。已知训练数据样本x、y，找到a和b的值，使∑i=1n(y(i)−ax(i)−b)2\sum_{i=1}^{n} (y^{(i)}-ax^{(i)}-b)^2∑i=1n​(y(i)−ax(i)−b...
深度解析回归模型评估指标：MAE、MSE、RMSE 与 R² 的详细讲解
最新发布
cnzzs的博客
02-08 6618
下面是对 MAE、MSE、RMSE 和 R² 四个指标的详细解释、计算公式、特点以及应用场景的说明：1. MAE(平均绝对误差)定义： MAE(Mean Absolute Error)表示预测值与真实值之间绝对误差的平均值。公式：其中， 为真实值， 为预测值， 为样本数。特点：直观性： MAE 直接反映了预测误差的平均水平...
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
weixin_43155435的博客
06-13 5万+
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
回归算法评测(MSE、RMSE、MAE、R squared)
hongguihuang的博客
05-02 3011
1 MSE：均方误差 MSE量纲不同，例如y的单位为m，但平方后单位为m2m^2m2,要使量纲相同可以使用RMSE。 手打代码 def MSE(y_test, y_predict): mean_squared_error = sum( (y_test - y_predict)**2) / len(y_test) return mean_squared_error 2 RMSE：...
回归预测模型评估指标（MSE、RMSE、MAE）
weixin_46837260的博客
04-07 1万+
回归预测模型准确性和预测性能的评估指标：均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）。其计算公式及含义如下图所示： 其中，yt表示测试集中实际打分值，ytp表示模型输出的预测打分值，n表示测试集图片数据的总量。MSE、RMSE和MAE这三个指标的正常数值范围为0到正无穷，其值越小表示实际值与预测值之间的误差值越小，模型的预测效果越好。 ...
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
fengdu78的博客
05-16 1万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，data会被skew，RMSE会被明显拉...
回归评价指标（MSE、RMSE、MAE、R-Squared、拟合优度）
热门推荐
Black eyes的博客
07-23 8万+
文章目录拟合优度 拟合优度 拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（Coefficient of Determination）R²。可决系数，亦称测定系数、确定系数、决定系数、可决指数。 对于m个样本(x1→,y1),(x2→,y2),⋯ ,(xm→,ym)(\overrightarrow{x_{1}},y_{1}),(\overr...
回归模型评价指标
wj1298250240的博客
12-27 1万+
回归模型评价指标 越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好 越接近0，表明模型拟合的越差 经验值：>0.4， 拟合效果好 缺点： 数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差 参考此博客： https://www.jianshu.com/p/9ee85fdad150 ...
方差、标准差、均方差、均方误差、均方根误差详细总结
Suprit's blog
07-30 2万+
方差、标准差、均方差、均方误差、均方根误差详细总结 看到网上别的大神总结的都是复制粘贴的，排版很凌乱，特此总结并精美排版一下。 方差 方差是衡量随机变量或一组数据时离散程度的度量。方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个样本数据和平均数之差的平方和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。 对于一组随机变量或者统计数据，其期望值（平均数）用E(X)E(X)E(X)​表示，即随机变量或统计数据的均值， 方差的公式如下所示（对各个数据与均值的差的
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 1万+
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。误差越大，该值越大。所以要想决定系数R2越接近1，必须满足MSE越小，也就是真实值与预测值相差不大，也就是模型拟合程度高，同时var方差越大，也就是我们的样本离散程度大，对应的我们实际采样过程中，就是要求样本是随机性，以及全面性，覆盖度广。方差(variance)的计算公式：S2=1/n [(x1-X)2+(x2-X)2+(x3-X)2+…
图像SNR、PSNR与MSE计算
03-12
MATLAB计算两张图像的SNR\PSNR和MSE三个值。
matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared
weixin_29002191的博客
03-18 4114
前言分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍均方误差(MSE)MSE (Mean Squared Error)叫做均方误差。看公式image.png这里的y是测试集上的。用 真实值-预测值 然后平方之后求和平均。猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就是让这个损失函...
回归评价指标---MSE、RMSE、MAE、R-Squared
dili8870的博客
02-21 8540
　　分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。 　　MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE； 　　RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，d...
RMSE数值在什么范围比较好呢
weixin_35751194的博客
01-17 1万+
RMSE (Root Mean Squared Error) 数值越小越好。通常来说，对于大多数应用来说，RMSE的值在0.1到1之间是可以接受的。当然，这取决于具体的应用和数据，如果数据本身具有很大的方差，那么RMSE的值就会更大。 ...
标准误差和标准偏差
老笨妞
08-13 5万+
标准偏差和标准误差是统计学中的两个变异性估计量。两者只有一字之差，但是所表示的估计含义却很不同。 首先，从英文名字来讲，标准偏差是standard deviation，deviation有“离差”的意思，标准偏差表征的是数据的离散程度；而标准误差的英文名是standard error，表征的是单个统计量在多次抽样中呈现出的变异性。可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的...
均方根误差与标准差
长风破浪会有时，直挂云帆济沧海
03-11 2966
原文地址：均方根误差与标准差作者：昊楠标准差（std）：标准差定义是观测值与其平均数偏差的平方和的平方根。它反映组内个体间的离散程度。 均方根误差（Rmse）：它是观测值与真值偏差的平方和观测次数n比值的平方根。 　root-mean-square error， 均方根误差亦称标准误差，其定义为 ，i=1，2，3，…n。在有限测量次数中，均方根误差常用下式表示：√[di*2/(n-1)]=Re，
通俗易懂讲解均方误差 (MSE)
chuixue24的博客
06-21 5万+
测量预测值与某些真实值匹配程度。MSE 通常用作回归问题的损失函数。例如，根据其属性估算公寓的价格。这是维基百科中定义的均方误差 (MSE) 公式。它代表了一个非常简单的概念，但如果您刚开始使用 ML，可能不太容易读懂。让我们从内而外拆开包装。MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。您希望误差变为 0。如果您预测房价，误差可能是预测价格与实际价格之间的差异。 从标签中减去预测是行不通的。误差可能为负也可能为正，这是对样本求和时的问题。您可以取绝对值或误差的平方。取平方有一个特性，它惩罚更大的
MSE（L2损失）与MAE（L1损失）的分析
zzzz_123123的博客
02-09 5925
简单来说，MSE计算简便，但MAE对异常点有更好的鲁棒性。训练一个机器学习模型时，目标就是找到损失函数达到极小值的点。当预测值等于真实值时，这两种函数都能达到最小。 分析：MSE对误差取了平方（令e=真实值-预测值），因此若e>1，则MSE会进一步增大误差。如果数据中存在异常点，那么e值就会很大，而e²则会远大于|e|。因此，相对于使用MAE计算损失，使用MSE的模型会赋予异常点更大的权...
python中如何快速获得模型的MSE,RMSE,MAE,R-Squared
06-04
在Python中，可以使用scikit-learn库中的mean_squared_error、mean_absolute_error、r2_score函数来计算模型的MSE、MAE和R-Squared。同时，也可以使用numpy库中的sqrt函数来计算RMSE。 具体实现如下： ```python from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score import numpy as np # 假设y_true和y_pred分别为真实值和预测值 mse = mean_squared_error(y_true, y_pred) rmse = np.sqrt(mse) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) print("MSE:", mse) print("RMSE:", rmse) print("MAE:", mae) print("R-Squared:", r2) ``` 其中，y_true和y_pred分别为真实值和预测值。需要注意的是，如果使用r2_score函数计算R-Squared，需要将y_true和y_pred都转换为一维数组。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值