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。
R
2
=
1
−
u
v
R2=1-\frac{u}{v}
R2=1−vu
u
=
∑
(
y
−
y
的
预
测
结
果
)
2
u=∑(y-y的预测结果)^2
u=∑(y−y的预测结果)2
v
=
∑
(
y
−
y
的
均
值
)
2
v=∑(y-y的均值)^2
v=∑(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
M
S
E
=
1
m
∑
(
y
−
y
的
预
测
结
果
)
2
MSE=\frac{1}{m}∑(y-y的预测结果)^2
MSE=m1∑(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
M
A
E
=
1
m
∑
∣
y
−
y
的
预
测
结
果
∣
MAE=\frac{1}{m}∑|y-y的预测结果|
MAE=m1∑∣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
R
M
S
E
=
1
m
∑
(
y
−
y
的
预
测
结
果
)
2
RMSE=\sqrt{\frac{1}{m}∑(y-y的预测结果)^2}
RMSE=m1∑(y−y的预测结果)2