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。 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) 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]: 如果结果是 0,说明模型拟合效果很差; 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。 5、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。 ———————————————— 版权声明:本文为CSDN博主「浅笑古今」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。 原文链接:https://blog.csdn.net/u012735708/java/article/details/84337262 |
|