【机器学习】sklearn中的回归问题性能评估方法----------图像计算常用的指标

一、前言

回归问题解决的是对具体数值的预测，比如房价预测、销量预测等等，解决回归问题的神经网络一般只有一个输出节点，这个节点的输出值就是预测值。回归模型是机器学习中很重要的一类模型，不同于常见的分类模型，回归模型的性能评价指标跟分类模型也相差很大，这里记录一下基于sklearn库计算回归模型中常用的四大评价指标主要包括：explained_variance_score、mean_absolute_error、mean_squared_error、r2_score

二、性能评估方法概述

2.1 SSE（残差平方和、和方差、误差平方和--- Sum of Squared Errors）

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：

其中是真实数据，是拟合数据，>0,从这里可以看出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。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样。

2.2 MSE(均方差、均方误差---Mean Squared Error）

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，和SSE没有太大的区别，计算公式如下：

另外我们还会经常碰到RMSE(Root Mean Squared Error)，其实就是对MSE取个根号，为均方根误差。