matlab回归分析sst_线性回归（2）—— 模型评估

一个模型好不好，其实很好判断，直接找出真实标签和预测值的差异就行。在分类算法中，这种差异的衡量用一种角度来判断，那就是是否预测到了正确的分类，而对于回归类算法，有两种不同的解读来看待回归的结果：

• 是否能预测到较为正确的数值

• 是否拟合到了足够的信息

是否预测到了较为正确的数值

指标汇总：RSS，MSE，RMSE，MAE

1. RSS 残差平方和

RSS 衡量了预测值和真实值的差异，既是损失函数，也是回归类模型的评估指标之一。但是，RSS 是和 m 相关的，所以为了消除 m 的影响，引入了 MSE (Mean square error) 的概念。

2. MSE 均方误差

均方误差 MSE 是在 RSS 的基础上除以样本量，得到了每个样本的平均误差，这个平均误差就可以和我们标签的取值范围放在一起比较，以此获得一个较为可靠的评估依据。但是 MSE 的单位是 y 的平方，和 y 的的单位量纲仍不统一，所以，引入了 RMSE (Root mean square error).

3. RMSE 均方根误差

4. MAE 平均绝对误差

MAE (Mean absolute error) 和 RMSE 的量纲是一样的，但一般来说 RMSE > MAE.

Question: RMSE/MSE 和 MAE 的区别

• 从意义上来讲， RMSE/MSE 是用来衡量真实值和预测值的偏差，MAE 能更好地反映真实值和预测值误差的实际情况。

• MSE 对误差取了平方 (令 e = 真实值 - 预测值)，因此，如果 e > 1，则 MSE 会进一步增大误差。如果数据中存在异常点，那么 e 值就会很大，而 e 则会远大于 |e|. 因此，相对于使用 MAE 计算损失，使用 MSE 的模型会赋予异常点更大的权重。所以，如果训练数据被异常点所污染，那么 MAE 就会更好用。

•  此外，如下图，MAE 不可导࿰