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
3. RMSE 均方根误差
![41add71ec34245e67b17e0371e916dd2.png](https://img-blog.csdnimg.cn/img_convert/41add71ec34245e67b17e0371e916dd2.png)
4. MAE 平均绝对误差
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