SSE、MSE、RMSE、MAE、FCP、R-square

SSE

• Sum of Squared Errors, 和方差
• 拟合数据和原始数据对应点的误差的平方和
• SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功

$$SSE=\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

MSE

• Mean Square Error, 均方差
• 预测数据和原始数据对应点误差的平方和的均值

$$MSE=\frac{SSE}{n}=\frac{\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}{n}$$

RMSE

• Root Mean Square Error,均方根
• 与MAE对比：RMSE相当于L2范数，MAE相当于L1范数。次数越高，计算结果就越与较大的值有关，而忽略较小的值，所以这就是为什么RMSE针对异常值更敏感的原因（即有一个预测值与真实值相差很大，那么RMSE就会很大）
• 与标准差对比：标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。

$$RMSE=\sqrt{MSE}=\sqrt{\frac{SSE}{n}}=\sqrt{\frac{\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}{n}}$$

MAE

• Mean Absolute Error ，平均绝对误差
• 是绝对误差的平均值
• 能更好地反映预测值误差的实际情况.

$$MAE=\frac{\sum _{i=1}^n|y_i-{\hat{y}}_i|}{n}$$

FCP

• Fraction of Concordant Pairs, 一致序列对比率评分
• 计算评分一致的物品对在所有物品对中的占比。

n c u = ∣ { ( i , j ) ∣ ( r ^ u , i > r ^ u , j   &   r u , i > r u , j ) o r ( r ^ u , i = = r ^ u , j   &   r u , i = = r u , j ) } ∣ n d u = ∣ { ( i , j ) ∣ ( r ^ u , i − r ^ u , j ) ( r u , i − r u , j ) ≤ 0   &   i > j } ∣ n c = ∑ u n c u n d = ∑ u n d u F C P = n c n c + n d n_c^u = \lvert \{{(i, j)} \vert (\hat r_{u,i} > \hat r_{u,j}\ \&\ r_{u,i} > r_{u,j}) or (\hat r_{u,i} == \hat r_{u,j}\ \&\ r_{u,i} == r_{u,j}) \}\rvert \\ n_d^u = \lvert \{{(i, j)} \vert (\hat r_{u,i} - \hat r_{u,j}) (r_{u,i} - r_{u,j}) \le 0\ \&\ i > j\} \rvert \\ n_c = \sum\limits_u n_c^u \\ n_d = \sum\limits_u n_d^u \\ FCP = \frac{n_c}{n_c + n_d} ncu​=∣{(i,j)∣(r^u,i​>r^u,j​ & ru,i​>ru,j​)or(r^u,i​==r^u,j​ & ru,i​==ru,j​)}∣ndu​=∣{(i,j)∣(r^u,i​−r^u,j​)(ru,i​−ru,j​)≤0 & i>j}∣nc​=u∑​ncu​nd​=u∑​ndu​FCP=nc​+nd​nc​​

SD

• Standard Deviation ，标准差
• 是方差的算数平方根
• 是用来衡量一组数自身的离散程度

$$SD=\sqrt{\frac{\sum _{i=1}^n(x_i-\bar{x}{)}^2}{n}}$$

R-square(确定系数)

SSR

• Sum of squares of the regression
• 预测数据与原始数据均值之差的平方和

$$SSR=\sum _{i=1}^n({\hat{y}}_i-\bar{y}{)}^2$$

SST

• Total sum of squares
• 原始数据和均值之差的平方和

$$SST=\sum _{i=1}^n(y_i-\bar{y}{)}^2$$

即

$$SST=SSE+SSR$$

R-square

• 取值范围为[0 1]，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

$$R-square=\frac{SSR}{SST}=\frac{SST-SSE}{SST}=1-\frac{SSE}{SST}$$