本文详细介绍了线性回归模型中几个关键的验证参数：SSE（误差平方和）、MSE（均方差）、RMSE（均方根误差）以及R-square（确定系数）。SSE越小，模型拟合度越高；MSE和RMSE是衡量误差的标准，数值越小表示预测精度越高；R-square接近1表示模型解释变量能力越强。同时，文章还提及了SSR（预测数据的平方和）和SST（总平方和）的概念，帮助读者深入理解模型的拟合效果。
线性回归模型验证参数：
- SSE（和方差，误差平方和）
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下：
其中，SSE越接近于0，说明模型拟合和选择更好，数据预测也越成功。 - MSE （均方差）
该统计参数是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。
- RMSE （均方根）
该统计参数也称为回归系数的拟合标准差，是MSE的平方根，即（SSE/n）的1/2次方跟。
- R-square （确定系数）越接近于1越好，大于0.8就表示还不错。
在介绍该指标之前，先介绍另外两个参数SSR和SST。
SSR指的是预测数据和原始数据均值之差的平方和，SST指的是原始数据和均值之差的平方和。
有SST= SSE+SSR，而确定系数R-square定义为SSR和SST的比值：
扫一扫
1095
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
