回归算法评价标准MSE、RMSE、MAE、R-Squared

最新推荐文章于 2025-03-23 22:31:22 发布
最新推荐文章于 2025-03-23 22:31:22 发布
阅读量1.2w 收藏 25
点赞数 1
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41919646/article/details/86633540
版权
本文详细介绍了回归算法的评价标准，包括MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）和R-Squared。MSE是损失函数，RMSE是MSE的开方，用于统一单位。MAE关注误差的绝对值，而R-Squared则通过比较模型误差与平均值误差来评估模型的解释能力，提供了一个无单位的度量。文章还提及R-Squared小于0意味着预测模型的误差大于基准模型（取平均值）。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、MSE 均方误差
在这里插入图片描述
即（真实值-预测值）的平方/测试集个数
其实（真实值-预测值）的平方 就是线性回归的损失函数，线性回归的目的就是为了让损失函数最小化。但这种判断方式是会放大误差的，即本身误差越大的平方后会更大。所以从这也可以看出，损失函数是为了减小最大的那个误差。
二、RMSE 均方根误差
在这里插入图片描述
即MSE开根号，使结果的单位和数据集一致，更好描述
三、MAE 平均绝对误差
在这里插入图片描述
四、R-Squared
以上3种评价方式，针对不同的模型，有不同的单位。比如米，元。这些不同的单位缺乏可读性。
衡量分类算法通常使用准确率进行衡量，那么衡量回归算法就引入了R-Squared
在这里插入图片描述
化简上面公式
在这里插入图片描述
分子就变成了我们的均方误差MSE，下面分母就变成了方差。
这里的基准模型即取平均值。分式的分母为方差公式，若R**2<0，即分子大于分母，预测模型误差大于基准模型。
五、实现代码

#这里我们使用sklearn数据集中的波士顿房产数据
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datastes
boston=datasets.load_boston()
x=boston.data[:,5]
y=boston
最低0.47元/天 解锁文章
matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared
weixin_29002191的博客
03-18 4121
前言分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍均方误差(MSE)MSE (Mean Squared Error)叫做均方误差。看公式image.png这里的y是测试集上的。用 真实值-预测值 然后平方之后求和平均。猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就是让这个损失函...
关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation（标准差）
菜鸟进阶
03-15 2万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍： 1、均方误差（MSE） MSE （Mean Squared Error）叫做均方误差，是反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量，(θ-t)2的数学期望，称为估计量t的均方误差。它等于σ2+b2，其中σ2...
【小白学机器学习5】评价预测值和观测值差异的指标：MSE, RMSE,MAE, MAPE, WMAPE
奔跑的犀牛先生
02-29 7359
偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据。方差：描述的是预测值的变化范围，离散程度，也就是离其(预测值整体)期望值的距离。方差越大，数据的分布越分散预测值和真实值完全没关系。方差小只是一群估计值自身的属性，够不够聚拢，发散是否厉害。有可能方差很大也可能很小，但偏离真实值很远的情况。简单的理解，范式就是距离L1 范式距离，就是 |y1-y2|L2 范式距离，就是 (y1-y2)**2以下类推像我现在的水平，暂时了解到这么多即可。
牛客题解 | 计算均方根误差（RMSE）
最新发布
wc529065的博客
03-23 892
牛客题库题解
衡量线性回归法的指标MSE, RMSE,MAE和R Square
weixin_33749242的博客
03-01 1125
衡量线性回归法的指标：MSE, RMSE和MAE 举个栗子： 对于简单线性回归，目标是找到a,b 使得尽可能小 其实相当于是对训练数据集而言的，即 当我们找到a，b后，对于测试数据集而言 ，理所当然，其衡量标准可以是 但问题是，这个衡量标准和m相关。 （当10000个样本误差累积是100，而1000个样本误差累积却达到了80，虽然80<100，但我们却不能说第二个模型优于第...
回归评价指标（MSE、RMSE、MAE、R-Squared、拟合优度）
热门推荐
Black eyes的博客
07-23 8万+
文章目录拟合优度 拟合优度 拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（Coefficient of Determination）R²。可决系数，亦称测定系数、确定系数、决定系数、可决指数。 对于m个样本(x1→,y1),(x2→,y2),⋯ ,(xm→,ym)(\overrightarrow{x_{1}},y_{1}),(\overr...
线性回归评价几个指标（MAE，MSE，RMSE，R^2，MAPE）
SpinMeRound的博客
09-18 1万+
Python–线性回归评价指标实现 一、项目背景 （可不看） 最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。 现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–>营业人员经验修正–>客户需求生成。 面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。 修正办法：
回归评价指标---MSE、RMSE、MAE、R-Squared
dili8870的博客
02-21 8541
　　分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。 　　MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE； 　　RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，d...
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
A34436791的博客
09-21 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。可以看出，RMSE=sqrt（MSE），因此，MSE 和 RMSE 二者是呈正相关的，MSE 值大，RMSE 值也大，所以在评价线性回归模型效果的时候，使用 RMSE 就可以了。
衡量线性回归法的指标MSE、RMSE、MAE、R Squared（最佳）
Bonjour_h的博客
03-19 3270
线性回归算法的评测                                          &nbs
回归模型评价指标
wj1298250240的博客
12-27 1万+
回归模型评价指标 越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好 越接近0，表明模型拟合的越差 经验值：>0.4， 拟合效果好 缺点： 数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差 参考此博客： https://www.jianshu.com/p/9ee85fdad150 ...
MAE（平均绝对误差）：计算信号MAE的功能-matlab开发
05-29
此函数参考原始信号计算信号的 MAE（平均绝对误差）。 可以为 1-D/2-D/3-D 信号计算 MAE。
RMSE数值在什么范围比较好呢
weixin_35751194的博客
01-17 1万+
RMSE (Root Mean Squared Error) 数值越小越好。通常来说，对于大多数应用来说，RMSE的值在0.1到1之间是可以接受的。当然，这取决于具体的应用和数据，如果数据本身具有很大的方差，那么RMSE的值就会更大。 ...
方差、标准差、均方差、均方误差、均方根误差详细总结
Suprit's blog
07-30 2万+
方差、标准差、均方差、均方误差、均方根误差详细总结 看到网上别的大神总结的都是复制粘贴的，排版很凌乱，特此总结并精美排版一下。 方差 方差是衡量随机变量或一组数据时离散程度的度量。方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个样本数据和平均数之差的平方和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。 对于一组随机变量或者统计数据，其期望值（平均数）用E(X)E(X)E(X)​表示，即随机变量或统计数据的均值， 方差的公式如下所示（对各个数据与均值的差的
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 1万+
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。误差越大，该值越大。所以要想决定系数R2越接近1，必须满足MSE越小，也就是真实值与预测值相差不大，也就是模型拟合程度高，同时var方差越大，也就是我们的样本离散程度大，对应的我们实际采样过程中，就是要求样本是随机性，以及全面性，覆盖度广。方差(variance)的计算公式：S2=1/n [(x1-X)2+(x2-X)2+(x3-X)2+…
mse函数（均方误差函数）
qq_18343569的博客
07-26 5万+
mse(a)  ----------------------------函数 等价于sum(a.^2)/lenght(a); MSE和RMSE都是网络的性能函数。MSE是（神经）网络的均方误差，叫"Mean Square Error"。比如有n对输入输出数据，每对为[Pi,Ti],i=1,2,...,n.网络通过训练后有网络输出,记为Yi。那MSE＝(求和(Ti-Yi)^2(i=1
均方误差（MSE）根均方误差（RMSE）平均绝对误差（MAE）
lighting
01-24 2万+
MSE：Mean Squared Error. 均方误差是指参数的估计值与参数的真实值之差的平方的期望. MSE可以评价数据的变化程度，MSE越小，说明模型的拟合实验数据能力强. (72)MSE=1N∑t=1N(predictedt−label)2" role="presentation" style="position: relative;">MSE=1N
MAE平均绝对误差和MSE均方误差
shuijinghua的博客
12-26 1万+
MAE：Mean absolute error是绝对误差的平均值，能更好的反映预测值误差的实际情况 其中，f_i表示预测值，g_i表示真实值 缺点：若本身真实值就比较大，比如真实值1万，预测值9000，但mae=1000就会造成MAE是比较大的， 如真实值10，预测值9，但mae=1，所以不能单独从MAE的值来说明网络预测能力的好坏。 from sklearn.metrics imp...
线性回归评价指标
sun91019718的博客
03-08 2692
本文参考饼干Japson《模型之母：线性回归的评价指标》编写 今天，我们学习线性回归算法的评价指标——MSE、RMSE、MAE、R Square。 一、了解线性回归算法的衡量标准 引用饼干Japson的话。已知训练数据样本x、y，找到a和b的值，使∑i=1n(y(i)−ax(i)−b)2\sum_{i=1}^{n} (y^{(i)}-ax^{(i)}-b)^2∑i=1n​(y(i)−ax(i)−b...
2、应用多元线性回归算法实现Boston房价数据集的回归预测,并计算回归评价指标MSE、RMSE、MAE、R-Squared等。
03-18
<think>嗯，我现在需要帮用户解决如何使用多元线性回归对Boston房价数据集进行预测，并计算MSE、RMSE、MAE和R-Squared这些评估指标的问题。首先，我得回忆一下多元线性回归的基本步骤，以及如何用Python实现。然后，还需要了解这些评价指标的计算方法。 首先，多元线性回归应该是用多个特征来预测房价，所以可能需要用到像sklearn中的LinearRegression模型。用户提到的Boston房价数据集应该是sklearn内置的那个，可以直接导入。接下来，数据预处理部分可能需要分割数据集为训练集和测试集，可能还需要标准化，不过线性回归本身对特征的缩放敏感吗？其实，是否标准化可能不影响模型性能，但可能会影响梯度下降的收敛速度，不过如果是用普通的最小二乘法，可能不需要。但为了统一量纲，可能还是需要标准化处理。不过用户可能只需要基础的实现，所以可能先不做标准化，直接使用原始数据？ 然后是模型训练，用训练集数据拟合模型。接着用测试集进行预测，得到预测值后，计算各个指标。MSE是均方误差，就是预测值和真实值差的平方的均值。RMSE就是MSE的平方根。MAE是平均绝对误差，即差的绝对值的平均。R平方则是解释方差分数，表示模型对数据变动的解释程度。 接下来，我需要考虑如何用sklearn中的函数来计算这些指标。例如，MSE可以用mean_squared_error，MAE用mean_absolute_error，R平方用r2_score。这些函数都在sklearn.metrics里面。那用户可能需要在代码中导入这些函数，然后应用在测试集的真实值和预测值上。 可能还需要注意数据分割的比例，通常是70-30或者80-20，不过sklearn的train_test_split默认是75-25。用户可能只需要基本的分割，所以用默认参数即可。 然后，代码的结构大致是：导入数据集，分割数据，训练模型，预测，计算指标。可能需要展示完整的代码示例，包括导入库、加载数据、处理数据、建模、评估的步骤。 另外，用户可能对各个指标的解释和应用场景有疑问，比如为什么需要这些不同的指标，它们各自的意义是什么。例如，MSE和RMSE会放大较大误差的影响，而MAE对所有误差一视同仁。R平方则提供了一个相对性的指标，越接近1越好。 还需要注意，在Boston数据集中，特征可能有不同的量纲，是否需要标准化处理？比如，如果某些特征的数值范围很大，可能会影响线性回归的系数，但如果不使用正则化，普通线性回归可能不需要标准化，因为系数本身会调整。不过这个问题用户可能没有提到，所以暂时先按照不标准化处理。 检查一下引用的内容是否正确。引用中提到MSE常用于线性回归的损失函数，而R-Squared作为评价指标。这些都需要在回答中正确引用。例如，引用[2]说明MSE用于线性回归的损失函数，引用[4]和[5]说明R-Squared的作用。 最后，生成相关问题的时候，可能需要包括这些指标的区别、如何改进模型、特征选择的影响，以及正则化方法的应用等。比如，如何选择不同的评价指标，或者如何通过交叉验证来评估模型稳定性。 现在，整理这些思路，写出步骤清晰的回答，并确保代码正确，解释清楚每个步骤的作用，以及各个指标的计算方法和意义。同时，正确引用提供的参考文献，特别是在解释MSE和R-Squared的时候。</think>### 分步实现多元线性回归及评价指标计算 #### 1. **数据准备与分割** 首先加载Boston房价数据集，将特征数据（$X$）和目标变量（$y$）分割为训练集和测试集。 ```python from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split # 加载数据集 boston = load_boston() X = boston.data # 特征矩阵 y = boston.target # 目标变量 # 分割数据集（默认训练集:测试集 = 75%:25%） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` #### 2. **训练多元线性回归模型** 使用`sklearn`的`LinearRegression`拟合训练数据。 $$ \text{模型形式: } y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_n x_n $$ ```python from sklearn.linear_model import LinearRegression # 创建模型并训练 model = LinearRegression() model.fit(X_train, y_train) ``` #### 3. **预测与指标计算** 对测试集进行预测，并计算MSE、RMSE、MAE和R-Squared。 - **MSE**: $$ \text{MSE} = \frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2 $$ - **RMSE**: $$ \text{RMSE} = \sqrt{\text{MSE}} $$ - **MAE**: $$ \text{MAE} = \frac{1}{n} \sum_{i=1}^n |y_i - \hat{y}_i| $$ - **R-Squared**: $$ R^2 = 1 - \frac{\sum_{i=1}^n (y_i - \hat{y}_i)^2}{\sum_{i=1}^n (y_i - \bar{y})^2} $$ ```python from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 预测测试集 y_pred = model.predict(X_test) # 计算指标 mse = mean_squared_error(y_test, y_pred) rmse = mse ** 0.5 mae = mean_absolute_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"MSE: {mse:.2f}") print(f"RMSE: {rmse:.2f}") print(f"MAE: {mae:.2f}") print(f"R-Squared: {r2:.2f}") ``` #### 4. **结果解释** - **MSE**和**RMSE**反映预测值与真实值的偏差，RMSE与目标变量量纲一致[^2][^3]。 - **MAE**对异常值不敏感，直接衡量平均误差。 - **R-Squared**表示模型对目标变量变动的解释能力，越接近1越好[^4][^5]。 --- ### 完整代码示例 ```python from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 加载数据 boston = load_boston() X, y = boston.data, boston.target # 分割数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 训练模型 model = LinearRegression() model.fit(X_train, y_train) # 预测与评估 y_pred = model.predict(X_test) print(f"MSE: {mean_squared_error(y_test, y_pred):.2f}") print(f"RMSE: {mean_squared_error(y_test, y_pred)**0.5:.2f}") print(f"MAE: {mean_absolute_error(y_test, y_pred):.2f}") print(f"R-Squared: {r2_score(y_test, y_pred):.2f}") ``` --- ###
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值