机器学习
回归模型评估
案例一：鸢尾花分类
机器学习的优化算法
交叉熵
lightGBM
处理非平衡数据集的方法
AdaBoost
GBDT
XGBoost
决策树
线性回归
pytorch 优化器的使用
分类模型评估
损失函数
前馈神经网络
特征工程
分箱
评分卡实现过程
逻辑回归
本文档使用 MrDoc 发布
-
+
首页
回归模型评估
回归问题比较简单，所用到的衡量指标也相对直观。 假设$$y_{i}$$时第i个样本的真实值，$$\hat{y} $$时第i个样本的预测值。 1. `平均绝对误差MAE`，也称为`L1范数损失`； ```latex MAE(y, \hat{y})=\frac{1}{n}\sum_{i=1}^{n}|y_{i}-\hat{y}| ``` > 计算每个样本的真实值和预测值差值的绝对值，然后取和再求平均值。 其值越小说明拟合效果越好。 2. `平均平方误差MSE`，也称为`L2范数损失`； ```latex MAE(y, \hat{y})=\frac{1}{n}\sum_{1}^{n}(y-\hat{y})^2 ``` 3. `决定系数R2` ```latex R2 = 1 - \frac{SS_{ret}}{SS_{tot}} \ \qquad \\ \ \\ R2 = 1 - \frac{\sum_{i=1}^{n}(y_{i}-\hat{y})^2}{\sum_{i=1}^{n}(y_{i}-\bar{y})^2} ``` 说明： >$$\bar{y}$$为样本真实值的均值； $$R2$$取值范围[0, 1]，越接近1表示拟合效果越好； $$SS_{ret}$$表示真实值和预测值之差的平方和； $$SS_{tot}$$表示平方差，我们知道平方差表示数值的离散程度，越大表示越离散； $$SS_{ret}/SS_{tot}$$表示对$$SS_{ret}$$排除离散的影响； 我们想要的是一个能够衡量回归拟合好坏程度的度量，而拟合程度不应受到数值离散型的影响，所以我们通过相除来克服这个影响。 ### 参考 > [机器学习评价指标](https://blog.csdn.net/weixin_39910711/article/details/82940210) [机器学习模型评估的方法总结](https://blog.csdn.net/sinat_16388393/article/details/91427631)
gaojian
2022年11月24日 11:36
分享文档
收藏文档
上一篇
下一篇
微信扫一扫
复制链接
手机扫一扫进行分享
复制链接
关于 MrDoc
觅思文档MrDoc
是
州的先生
开发并开源的在线文档系统，其适合作为个人和小型团队的云笔记、文档和知识库管理工具。
如果觅思文档给你或你的团队带来了帮助，欢迎对作者进行一些打赏捐助，这将有力支持作者持续投入精力更新和维护觅思文档，感谢你的捐助！
>>>捐助鸣谢列表
微信
支付宝
QQ
PayPal
Markdown文件
分享
链接
类型
密码
更新密码
