回归问题中的测评函数 | 公式( | Sklearn的API |
| ||
| ||
RMSE 是 MSE 的平方根 | ||
| ||
调整后的 |
一般使用MAE和RMSE这两个指标
-
MAE(平均绝对误差):
- 直接反映平均误差:MAE 提供了预测值和真实值之间的平均误差大小,易于解释。
- 鲁棒性:对大误差的敏感度较低,较少受极端值(outliers)的影响。
- 不区分误差大小:MAE 对所有误差一视同仁,无法强调较大误差,可能掩盖了模型在特定情况下的不足。
- 敏感性低:对于需要突出大误差影响的应用场景,MAE 的敏感性不足。
-
RMSE(均方根误差):
- 强调大误差:通过平方项,RMSE 放大了较大误差的影响,有助于识别预测中误差较大的情况。
- 平滑性:通常在数学和统计模型评估中广泛使用,因为它更符合正态分布假设下的误差处理。
- 对极端值敏感:由于平方项的存在,RMSE 对异常值(outliers)极其敏感,可能导致对模型整体性能的误导性评估。
- 复杂性:相比 MAE,RMSE 的平方和开方操作使得解释复杂度增加,尤其在非技术背景下难以直观理解。
评价标准:
:模型拟合较弱,说明模型解释变量变异的能力较差。
:模型拟合中等,模型有一定的解释变量变异的能力,但还可以进一步改进。
:模型拟合较强,模型较好地解释了变量变异。
- Adjusted
在考虑解释变量数量的同时,对模型进行调整。增加不相关的变量会导致 Adjusted
降低,防止过拟合