其他三种衡量线性回归法的指标:MSE 、RMSE 、MAE
MSE 反应了真值 y 和 预测值 y 之间误差的平方;缺点是误差被平方了,MSE的量纲和实际误差不同;
RMSE 是对MSE开根 ,解决了MSE量纲太大的问题;
MAE 反应了 真值 y 和预测值 y 差值的绝对值的均值 ;
问题:
MSE、RMSE、MAE 都只能反应误差的实际大小,但是不能反应算法本身的准确度;
R Squared
分子表示预测值 y 和 真值 y 之间误差的平方 -----代表使用我们的模型预测产生的错误。
分母表示使用 y = y的均值 预测产生的错误, 这种预测又叫做 Baseline Model,它会产生很大的误差。
所以 表示 通过我们预测的直线 拟合住真值 y 的比例,也即使用我们的模型没有产生错误的指标。
- <=1
- 越大越好。当我们的模型预测没有任何错误时, 得到最大值1
- 当我们的模型等于基准模型(Baseline Model)时, = 0
- 如果 <0 ,说明我们的模型还不如基准模型。此时有可能我们的数据不存在任何线性关系
如果对分子分母同时除以 m ,则实际表示为 MSE / 方差
在sklearn.metrics 中使用 、MSE、MAE
sklearn中没有RMSE,如果需要使用,对MSE开根即可