回归模型应用场景:预测,趋势分析、投资风险分析等
(1)MAE(Mean Absolute Error)平均绝对差值
(2)MSE(Mean Square Error)均方误差,是回归任务最常用的性能度量,最小二乘估计也是使用均方误差
(3)log对数损失函数(逻辑回归):交叉熵损失,其实是由最大似然估计推导而来
(4)RMSE(Root Mean Square error)均方根误差
(5)Normalized root-mean-square deviation归一化均方差跟偏差
(6) R2决定系数
R2反映了在因变量y的变差中被估计的回归方程所解释的比例。R2 越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近,用x的变化来解释y值变差的部分就越多,回归的拟合程度就越好
(7) Pearson's Correlation Coefficient(皮尔逊相关系数)
皮尔逊相关也称为积差相关(或积矩相关),假设有两个变量X、Y,那么两变量间的皮尔逊相关系数可通过以下公式计算:
注意当两个变量的标准差都不为零时,相关系数才有定义,皮尔逊相关系数适用于:
- 两个变量之间是线性关系,都是连续数据。
- 两个变量的总体是正态分布,或接近正态的单峰分布。
- 两个变量的观测值是成对的,每对观测值之间相互独立
(8) concordance correlation coefficient(一致性相关系数)
参考文献
1.机器学习模型相关评价指标最全总结。https://blog.csdn.net/tox33/article/details/81141485