如何評價模型的好壞（三）

• 二分類問題
• 多分類問題
• 連續變量問題

四、連續變量問題（回歸）

（1）距離

（2）殘差

（3）殘差平方和（SSE）： 真實值與預測值之間誤差的平方和。

（3-1）均方根誤差（MSE = mean square error）：真實值與預測值之間誤差的平方和的均值。（最小二乘）

from sklearn.metrics import mean_squared_error 2 y_true =  [1，3, -0.3, 2, 7，5] 3 y_pred = [0.8，2.5, 0.0, 2, 8, 5.1] 4 mean_squared_error(y_true, y_pred)

• 均方差越小越好，即最小二乘法。

（4）回歸平方和（SSR）： 預測值與樣本平均值之間誤差的平方和。

（5）總偏差平方和（SST）： 真實值與樣本平均值之間誤差的平方和。

　　經計算推到，SST = SSE + SSR

（5-1）平均絕對誤差（MAE = mean absolute error）：真實值與樣本平均值之間誤差的平方和的均值。

from sklearn.metrics import mean_squared_error 2 y_true = [1, 3, -0.3, 2, 7, 5] 3 y_pred = [0.8, 2.5, 0.0, 2, 8, 5.1] 4 mean_squared_error(y_true, y_pred)

（6）R²（r2_score）：樣本的總偏差平方和中，被回歸平方和解釋的百分比。 R² = SSR/SST = 1-SSE/SSR （R²值越大，模型效果越好）

 

from sklearn.metrics import r2_score 2 y_true = [1, 3, -0.3, 2, 7, 5] 3 y_pred = [0.8, 2.5, 0.0, 2, 8, 5.1] 4 r2_score(y_true, y_pred)

• R² 越接近1，模型擬合效果越好。
• R² 越接近0，模型擬合效果越差。
• 缺點：數據集越大，R² 越大。因此，不同數據集對同一模型進行測試時，所得的R² 不一定相同。

 （7）中值絕對誤差（median_absolute_error）

   

from sklearn.metrics import median_absolute_error 2 y_true = [1, 3, -0.3, 2, 7, 5] 3 y_pred = [0.8, 2.5, 0.0, 2, 8, 5.1] 4 median_absolute_error(y_true, y_pred)

總結：

• 以上幾個指標全部依賴於數據集，當數據集發生變化時，值也隨之發生變化。