机器学习——常⽤的回归模型性能评价指标老公用英语怎么说
对于回归⽽⾔，模型性能的好坏主要体现在拟合的曲线与真实曲线的误差。主要的评价指标包括：拟合优度/R-Squared，校正决定系数(Adjusted R-square)，均⽅误差（MSE），均⽅根误差（RMSE），误差平⽅和(SSE)，平均绝对误差（MAE），平均绝对百分⽐误差(MAPE)。
1、均⽅误差（MSE）
均⽅误差是指：观测值与真值偏差的平⽅和与观测次数的⽐值
公式：
MSE相当于模型中的损失函数，线性回归过程中尽量让该损失函数最⼩。那么模型之间的对⽐也可以⽤它来⽐较。MSE可以评价模型的预测精度，MSE的值越⼩，说明预测模型对于⽬标的拟合程度越精确。
2、均⽅根误差（RMSE）
RMSE（Root Mean Squard Error）均⽅根误差，RMSE其实是MSE开根号，两者实质⼀样，但RMSE
sgp是哪个国家的缩写能更好的描述数据。因为MSE单位量级和误差的量级不⼀样，⽽RMSE跟数据是⼀个级别的，更容易感知数据。
缺点：易受异常值的影响。越狱片尾曲
公式：northwestern
3、平均绝对误差（MAE）
MAE（Mean Absolute Error）
公式：
4、平均绝对百分⽐误差(MAPE)
平均绝对百分⽐误差（Mean Absolute Percentage Error），与RMSE相⽐，更加鲁棒，因为MAPE对每个点的误差进⾏了归⼀化。
公式：iv iv
5、拟合优度/R-Squared
拟合优度是指回归直线对观测值的拟合程度。
公式：
匹克英文
largerR2 越接近于1，说明回归直线对观测值的拟合程度越好；相反，R2值越⼩，说明回归直线对观测值的
拟合程度越差。
less is more6、校正决定系数(Adjusted R-square)
snacks
rossmann公式：
其中，n为样本数量，p为特征数量。
取值范围还是负⽆穷到1，⼤多是 0~1，且越⼤越好
