回归评价指标:MSE、RMSE、MAE、R2、Adjusted R2
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。
python中可以直接调用
from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics 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)
R2:r2_score(y_test,y_predict)
Adjusted_R2::1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)
回归评价指标:MSE、RMSE、MAE、R2、Adjusted R2相关推荐
- 【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared. MSE和MAE适用于误差相对明显的时候,大的误差也有比较高的权重,RMSE则是针对误差不是很明显的 ...
- 回归评价指标MSE、RMSE、MAE、MAPE及python实现
文章目录 回归评价指标公式 MSE RMSE MAE MAPE python实现 numpy sklearn 回归评价指标公式 假设: 预测值:y^={y1^,y2^,-,yn^}\hat{y}=\{ ...
- ML之ME/LF:机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介、使用方法、代码实现、案例应用之详细攻略
ML之ME/LF:机器学习中回归预测模型评估指标(MSE/RMSE/MAE)简介.使用方法.代码实现.案例应用之详细攻略 目录 回归预测问题中评价指标简介 RMSE 标准差SD MSE函数
- 回归评价指标---MSE、RMSE、MAE、R-Squared
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared. MSE和MAE适用于误差相对明显的时候,大的误差也有比较高的权重,RMSE则是针对误差不是很明显的 ...
- 预测评价指标:MSE,RMSE,MAE,MAPE,SMAPE
目录 前言 MSE RMSE MAPE SMAPE Python程序 前言 分类问题的评价指标是准确率,回归算法的评价指标是MSE,RMSE,MAE.测试数据集中的点,距离模型的平均距离越小,该模型越 ...
- 回归评价指标MSE、RMSE、MAE、R-Squared
前言 分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared.下面一一介绍 均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation(标准差)
分类问题的评价指标是准确率,那么回归算法的评价指标就是MSE,RMSE,MAE.R-Squared.下面一一介绍: 1.均方误差(MSE) MSE (Mean Squared Error)叫做均方误差 ...
- 线性回归中常见的一些统计学术语(RSE RSS TSS ESS MSE RMSE R2 Pearson's r)
TSS: Total Sum of Squares(总离差平方和) --- 因变量的方差 RSS: Residual Sum of Squares (残差平方和) --- 由误差导致的真实值和估计值 ...
- python求均方根误差_python之MSE、MAE、RMSE的使用
我就废话不多说啦,直接上代码吧! target = [1.5, 2.1, 3.3, -4.7, -2.3, 0.75] prediction = [0.5, 1.5, 2.1, -2.2, 0.1, ...
- 机器学习9衡量线性回归法的指标,MSE,RMS,MAE
文章目录 一.衡量线性回归法的指标,MSE,RMS,MAE 1.MSE均方误差(Mean Squared Error) 2.RSE均方误差(Root Mean Squared Error) 3.平均绝 ...
最新文章
- java接口防抖_前端性能优化:高频执行事件/方法的防抖
- 局域网ip地址不够用怎么解决?
- java ajax 登陆验证,Spring Security4实例(Java config版)——ajax登录,自定义验证
- 移动应用ios和网页应用_如何在iOS上一次移动多个应用
- linux 用mutex定义一个linkedlist,一个高性能无锁非阻塞链表队列
- python scrapy 基本操作演示代码
- Codeforces7C 扩展欧几里得
- 弘辽科技:手淘推荐流量总是忽高忽低如何稳定获取
- 一招让你的百度网盘免费不限速下载,每秒宽带满速下载
- 青囊如可授 从此访鸿蒙的意思,《坛滴槐花露,香飘柏子风。》
- 面试中被问到三次握手四次挥手应该怎么回答?---------不看后悔系列
- 操作MySQL出错提示“BLOB/TEXT column used in key specification without a key length”解决办法
- ffmpeg音视频转单声道16位16K赫兹小端点pcm音频
- 小米手机 5 开启【开发者选项】
- RA关节功能残疾与软骨破坏的相关性高于骨破坏
- CSharp 基本知识-数组
- 解决了新版微信个人收款二维码在H5网页里不能长按识别支付
- 图的基本算法(单源最短路径)
- Axure原型创建折线、柱状等图形,引用echarts
- 爬取M3U8文件支持的网页在线播放资源(AES-128加密)
热门文章
- lru oracle,一个测试理解什么是主、辅LRU(oracle cuug)
- ACMer,OIer:Comet OJ Contest #0原创题程序设计大赛邀请!
- 游戏公司招聘建模师的流程分析指导,零基础学习3D建模教程
- 三十而立,人生新起点
- kubernetes 对比 mesos + marathon
- df -h执行卡住不动问题解决
- Flask-Login使用详解
- python中关于列表和元祖的基础知识
- Springboot+poi+实现导出导入Excle表格+Vue引入echarts数据展示
- opencv python3 找图片色块_在python3下使用OpenCV 抓取摄像头图像提取蓝色