机器学习中回归预测模型中常用四个评价指标MBE、MAE、RMSE、R2解释

在机器学习中，评估模型性能时常用的四个指标包括平均绝对误差（Mean Absolute Error, MAE）、均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）和决定系数（R-squared, R²）。

一、MBE（平均偏差误差）

  平均偏差误差（MBE）是衡量模型预测值与实际值之间偏差的指标。然而，值得注意的是，在常见的机器学习评估指标中，MBE并不如MAE、RMSE和R2那样广泛被提及或使用。在某些特定场景下，MBE可能被用作评估模型预测偏差的一个补充指标，但其具体定义和计算方法可能因应用场景的不同而有所差异。因此，在讨论机器学习评估指标时，MBE通常不是核心指标之一。

二、MAE（平均绝对误差）

  MAE 是预测值与实际值之差的绝对值的平均数。它给出了预测误差的平均大小，但不考虑误差的方向（正或负）。相比MSE和RMSE，MAE对异常值不敏感，不会因为少数大误差的平方而放大结果，适用于具有较多异常值的数据集。然而，MAE的缺点在于缺乏方向性，即它无法反映出误差是正偏还是负偏，可能不适用于需要区分偏差方向的应用场景。

三、RMSE（均方根误差）

  均方根误差（RMSE）是均方误差（MSE）的平方根。MSE是衡量预测值与实际值之间平方差的平均值，而RMSE则将其量级与原始数据保持一致，便于解释。由于计算了平方差，RMSE对大误差的惩罚更大，适合对误差敏感的场景。RMSE的单位与原数据相同，因此容易理解。然而，RMSE的缺点在于对异常值敏感，可能会因为少数大误差的平方而放大结果。

四、R2（决定系数）

  决定系数（R2）用于确定数据与拟合回归线的接近程度。它表示模型解释数据方差的比例，范围是0到1。R2的值越接近1，表示模型对数据的拟合程度越好；越接近0，表示模型对数据的拟合程度越差。R2的值被标准化在0到1之间，便于比较不同模型的性能。然而，R2的缺点在于：当数据的范围很大时，即使模型的预测值与实际值之间存在较大的偏差，R2的值也可能很高。R2无法直接反映模型是否过拟合，需要结合其他指标（如交叉验证）来评估模型的性能。

五、sklearns库里自带计算方法

1.方法一

# 导入
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from math import sqrt

#测试集四个指标
predictions = rf.predict(test_datas)# 预测结果
errors = (predictions-test_labels).astype(float)  # 计算