评估指标(下)

算法篇

评估指标

前面讲述分类算法的评估指标，下面来说一下回归算法的评估指标。

R2

R2就是score，也就是我们在分类算法中经常说的准确率，但是在回归算法中就不能叫准确率了，叫R2。
$R2=1-\frac{u}{v}$
$u=\sum (y-y的预测结果{)}^2$
$v=\sum (y-y的均值{)}^2$
最好的情况就是u=0，真实结果等于预测结果，R2等于1
比较差的情况是u=v，预测结果为均值，也就是直接拿真实结果取了个均值作为了预测值，R2=均值
最差的情况就是u>>v，真实结果远远大于预测结果，还不如直接拿均值作为预测结果，R2=-inf
所以R2的取值范围是[ -inf, 1 ]

MSE

$MSE=\frac{1}{m}\sum (y-y的预测结果{)}^2$
MSE观察的是真实结果和预测结果误差平方的均值，也叫均方误差。这种方式是误差都扩大了一倍，显然有些大了，就又有了下面这种方法

MAE

$MAE=\frac{1}{m}\sum |y-y的预测结果|$
MAE是平方绝对误差，解决了MSE使误差扩大太多的问题

RMSE

既然说MSE是平方后太大了，就又做了改进，加了个开方，就有了下面的均方根误差
$RMSE=\sqrt{\frac{1}{m}\sum (y-y的预测结果{)}^2}$