评估方法
线性回归算法评估方式
-
均方误差MSE(mean squared error): m s e = ∑ i = 1 m ( y ^ i − y i ) 2 m mse = \frac{\sum_{i=1}^m(\hat y_{i} - y_{i})^2}{m} mse=m∑i=1m(y^i−yi)2
(mse的标量是真实标量的平方,线性回归损失函数也用此公式) -
均方根误差RMSE(root mean squared error): r m s e = ∑ i = 1 m ( y ^ i − y i ) m rmse = \sqrt \frac{\sum_{i=1}^m(\hat y_{i} - y_{i})}{m} rmse=m∑i=1m(y^i−yi)
(预测值与真实值误差为 ± r m s e \pm rmse ±rmse) -
均方绝对误差MAE(mean absolute error): m a e = ∑ i = 1 m ∣ y ^ i − y i ∣ m mae = \frac{\sum_{i=1}^m|\hat y_{i} - y_{i}|}{m} mae=m∑i=1m∣y^i−yi∣
(预测值与真实值误差为 ± m a e \pm mae ±mae) -
R Squared:
- 公式中:分式---->分子即为模型预测产生误差用MSE计算,分母为模型的基准误差(方差也就是最大误差)。预测产生的误差与最大误差的比。
- 因为1减去分式,所以 R 2 <