Mean Absolute Error, 简称MAE, 公式如下 考虑到正负误差在求和时会出现抵消的情况,所以使用了绝对值。这个指标本身的绝对大小并没有意义,需要在不同模型之间进行相对比较才有意义,当然,越小说明模型拟合的效果越好。 2. 均方误差 Mean Squared Error, 简称MSE, 公式如下 相比MAE, MSE对异常值更加敏感,因为乘方运算放大了异常值的偏离程度。 3. 均方根误差 Root Mean Squared Error, 简称RMSE, 公式如下 对MSE开根之后就得到了RMSE, 开根操作使得误差值和目标变量的单位一致。比如拟合年龄,MSE指标的值是年龄的平方,而RMSE的单位则是年龄,保持了量纲的一致性。 4. 均方误差对数 Mean Squared Log Error, 简称MSLE, 公式如下 对原始数值做log转换之后,在求差值,为了避免0的出现,这里进行了加1操作。 5. 中位绝对误差 Median Absolute Error, 简称MedAE, 公式如下 对误差绝对值取中位数,通过中位数操作,降低了异常值的影响。 6. R Squared 称之为拟合优度或者决定系数,公式如下 TSS表示数据本身的离散程度 RSS表示误差真实值和预测值偏离的程度 拟合优度作为一个指标,其数值大小本身就非常能够说明拟合的优劣。数值越接近1,表明模型的拟合效果越好。通常认为大于0.4,就属于拟合较好的模型。 7. Adjust R Squared 对R2进行校正, 公式如下 n为样本数量,p为特征数量,相比R2, 在公式中纳入了样本数量和特征数量,考虑了这两个因素对R2数值大小造成的影响。和R2相似,数值越接近1,说明拟合效果越好。 |
|