R Squared学习笔记----衡量线性回归结果的最好的方法

其他三种衡量线性回归法的指标：MSE 、RMSE 、MAE

MSE 反应了真值 y 和 预测值 y 之间误差的平方；缺点是误差被平方了，MSE的量纲和实际误差不同；

 

RMSE 是对MSE开根 ，解决了MSE量纲太大的问题；

MAE 反应了 真值 y 和预测值 y 差值的绝对值的均值 ；

问题：

MSE、RMSE、MAE 都只能反应误差的实际大小，但是不能反应算法本身的准确度；

 

R Squared 

分子表示预测值 y 和 真值 y 之间误差的平方 -----代表使用我们的模型预测产生的错误。

分母表示使用 y = y的均值 预测产生的错误， 这种预测又叫做 Baseline Model，它会产生很大的误差。

所以 表示 通过我们预测的直线 拟合住真值 y 的比例，也即使用我们的模型没有产生错误的指标。

•  <=1
•  越大越好。当我们的模型预测没有任何错误时， 得到最大值1
• 当我们的模型等于基准模型（Baseline Model）时， = 0
• 如果 <0 ，说明我们的模型还不如基准模型。此时有可能我们的数据不存在任何线性关系

如果对分子分母同时除以 m ，则实际表示为 MSE / 方差

 

在sklearn.metrics 中使用 、MSE、MAE 

sklearn中没有RMSE，如果需要使用，对MSE开根即可