星期英文回归评价指标:MSE、RMSE、MAE、R2、AdjustedR2
我们通常采⽤MSE、RMSE、MAE、R2来评价回归预测算法。
1、均⽅误差:MSE(Mean Squared Error)
其中,为测试集上真实值-预测值。
不知不觉英文2、均⽅根误差:RMSE(Root Mean Squard Error)
可以看出,RMSE=sqrt(MSE)。
3、平均绝对误差:MAE(Mean Absolute Error)
以上各指标,根据不同业务,会有不同的值⼤⼩,不具有可读性,因此还可以使⽤以下⽅式进⾏评测。
4、决定系数:R2(R-Square)
欧美歌曲>promi的用法
其中,分⼦部分表⽰真实值与预测值的平⽅差之和,类似于均⽅差 MSE;分母部分表⽰真实值与均值的平⽅差之和,类似于⽅差 Var。
根据 R-Squared 的取值,来判断模型的好坏,其取值范围为[0,1]:
rbg
如果结果是 0,说明模型拟合效果很差;
vattenfall
如果结果是 1,说明模型⽆错误。
⼀般来说,R-Squared 越⼤,表⽰模型拟合效果越好。R-Squared 反映的是⼤概有多准,因为,随着样本数量的增加,R-Square必然增加,⽆法真正定量说明准确程度,只能⼤概定量。
bridle5、校正决定系数(Adjusted R-Square)
其中,n 是样本数量,p 是特征数量。
Adjusted R-Square 抵消样本数量对 R-Square的影响,做到了真正的 0~1,越⼤越好。
python中可以直接调⽤sheltered
ics import mean_squared_error #均⽅误差ics import mean_absolute_error #平⽅绝对误差ics import r2_score#R square
#调⽤
MSE:mean_squared_error(y_test,y_predict)
RMSE:np.sqrt(mean_squared_error(y_test,y_predict))
MAE:mean_absolute_error(y_test,y_predict)
kangaroo
R2:r2_score(y_test,y_predict)
Adjusted_R2::1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)
>football