【机器学习与数据挖掘】浅谈指标SSE,MSE,RMSE,R-square

下面介绍这些统计参数

基于预测值(y)和原始值(y)之间的误差参数:SSE,MSE,RMSE

(1)SSE(和方差):The sum of squares due to error
描述拟合数据和原始数据对应点的误差的平方和
在这里插入图片描述
SSE越接近于0,说明模型选择和原数据拟合更好,数据预测也越好。

(2)MSE(均方差,标准差):Root mean squared error
描述预测数据和原始数据对应点误差的平方和的均值,也就是SSE/n。
在这里插入图片描述
(3)RMSE(均方根):Root mean squared error
描述回归系统的拟合标准差,是MSE的平方根
在这里插入图片描述

下面这些统计参数:误差参数都是相对原始数据平均值
(4) R-square(确定系数):Coefficient of determination

R-square=SSR/SST
(1)SSR:Sum of squares of the regression
即预测数据与原始数据均值之差的平方和。
在这里插入图片描述

(2)SST:Total sum of squares
即原始数据和均值之差的平方和。
在这里插入图片描述
我们可以发现SST=SSE+SSR
故可得
在这里插入图片描述

R-square的正常取值范围为[0 ,1],越接近1,表明方程的变量对y的解释能力越强,该模型对数据拟合的较好。

  • 4
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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