評估回歸模型的指標：MSE、RMSE、MAE、R2、偏差和方差

在回歸任務（對連續值的預測）中，常見的評估指標（Metric）有：平均絕對誤差（Mean Absolute Error,MAE）、均方誤差（Mean Square Error,MSE）、均方根誤差（Root Mean Square Error,RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error,MAPE），其中用得最為廣泛的就是MAE和MSE。下面依次來進行一個大致的介紹，同時對於下面所有的計算公式：均表示樣本數量、均表示第個樣本的真實值、均表示第個樣本的預測值。

一，評價回歸模型的指標

1，均方誤差

均方誤差（MSE）的定義如下，

2，均方根誤差

均方根誤差（RMSE）是回歸模型的典型指標，用於指示模型在預測中會產生多大的誤差，對於較大的誤差，權重較高。

y是實際值，而y~ 是預測值， RMSE越小越好。

3，平均絕對誤差

平均絕對誤差（MAE）用來衡量預測值與真實值之間的平均絕對誤差，MAE越小表示模型越好，其定義如下：

4，R2分數

sklearn在實現線性回歸時默認采用了[公式]指標，[公式]越大表示模型越好，其定義如下：

 

 其中表示真實值的平均值。可能的好處在於其結果進行了歸一化，更容易看出模型間的差距。

二，偏差和方差

偏差：描述的是預測值（估計值）的期望與真實值之間的差距。偏差越大，越偏離真實數據。

方差：描述的是預測值的變化范圍，離散程度，也就是離其期望值的距離。方差越大，數據的分布越分散。

 

參考文檔：

線性回歸（模型的評估)

偏差和方差有什么區別？