【机器学习】线性回归常用的几种衡量指标

最新推荐文章于 2024-03-22 15:35:37 发布

zbchenchanghao

最新推荐文章于 2024-03-22 15:35:37 发布

阅读量1.1k

点赞数

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/zbchenchanghao/article/details/109830167

版权

机器学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

一、MSE（Mean Squared Error）

名称：均方误差

公式： $\frac{1}{m} \sum_{i=1}^{m}(y_{m}-\hat{y_{m}})^2$

二、RMSE（Root Mean Squared Error）

名称：均方根误差

公式： $\sqrt{MSE}=\sqrt{\frac{1}{m} \sum_{i=1}^{m}(y_{m}-\hat{y_{m}})^2}$

三、MAE（Mean Absolute Error）

名称：平均绝对值误差

公式： $\frac{1}{m} \sum_{i=1}^{m}\left | y_{m}-\hat{y_{m}} \right |$

注：上述衡量指标的局限：同一个模型，解决不同问题，因为数量量级可能不同，所以最终的结果无法横向对比，如果将最终的结果映射到[0,1]区间内，这样就可以横向比较哪个模型能更好的解决此问题，R Squared即可满足此要求。

四、R Squared（最好的衡量）

名称：R Squared

公式： $R^2 = 1 - \frac{SS_{residual}}{SS_{total}} = 1 - \frac{\sum (\hat{y}-y)^2)}{\sum (\bar{y}-y)^2)} = 1 - \frac{\frac{\sum_{i=1}^{m}(\hat{y}-y)^2)}{m}}{\frac{\sum_{i=1}^{m} (\bar{y}-y)^2)}{m}} = 1 - \frac{MSE}{Var}$

相关说明：

1)R^2 <= 1

2)原则上，R^2越大越好，当模型与真实值一直时，R^2 = 1，当模型与瞎猜结果一致时，R^2 = 0

3)如果R^2 < 0，说明学习到的模型还不如瞎猜准，可能数据根本不存在任何线性关系

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
【机器学习】线性回归常用的几种衡量指标

一、MSE（Mean Squared Error）名称：均方误差公式：二、RMSE（Root Mean Squared Error）名称：均方根误差公式：三、MAE（Mean Absolute Error）名称：平均绝对值误差公式：注：上述衡量指标的局限：同一个模型，解决不同问题，因为数量量级可能不同，所以最终的结果无法横向对比，如果将最终的结果映射到[0,1]区间内，这样就可以横向比较哪个模型能更好的解决此问题，故R Squared即可满足要求。四、R ..
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。