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、平均绝对误差MAE（Mean Absolute Error）
• 二、演示：
• 三、评价回归算法R Square
• • 回忆：
  • 但是问题来了，
  • 解决方法：

一、衡量线性回归法的指标，MSE,RMS,MAE

衡量线性回归法的指标之一，就是这么一个衡量标准，让误差和尽可能小，但是这里有一个问题就是m的大小会对衡量造成影响，因此此处引入
MSE均方误差（Mean Squared Error）、
RSE均方误差（Root Mean Squared Error）、
平均绝对误差MAE（Mean Absolute Error）

1、MSE均方误差（Mean Squared Error）

2、RSE均方误差（Root Mean Squared Error）

3、平均绝对误差MAE（Mean Absolute Error）

二、演示：

三、评价回归算法R Square

回忆：

在解决分类问题的时候，我们评价分类的准确度1代表最好0代表最差，取值在0-1之间；

但是问题来了，

MSE RMSE MAE没有这样的性质，我们无法判断算法准确度的优劣，这就是以上三种方法的局限性；

解决方法：

RSquared；
R^2后面部分的分子代表使用我们的模型预测产生的错误，分母代表y=y的均值，使其成为一个模型（最基本的模型Baseline Model）；
用1-后面式子相当于衡量了使用模型没有产生错误的相应的指标；
所以这个值越大越好，越接近1越好；