【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

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。

（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

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。

(2)SST：Total sum of squares
即原始数据和均值之差的平方和。

我们可以发现SST=SSE+SSR
故可得

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。