线性回归评价指标

本文参考饼干Japson《模型之母：线性回归的评价指标》编写
今天，我们学习线性回归算法的评价指标——MSE、RMSE、MAE、R Square。

一、了解线性回归算法的衡量标准

引用饼干Japson的话。已知训练数据样本x、y，找到a和b的值，使${\sum }_{i=1}^n(y^{(i)}-a{x}^{(i)}-b{)}^2$尽可能小 。
实际上是找到训练数据集中${\sum }_{i=1}^n(y^{(i)}-y_{predict}^{(i)}{)}^2$最小。
衡量标准是看在测试数据集中y的真实值与预测值之间的差距。
因此我们可以使用下面公式作为衡量标准：
${\sum }_{i=1}^n(y^{(i)}-y_{predict}^{(i)}{)}^2$
但是这里有一个问题，这个衡量标准是和m相关的。在具体衡量时，测试数据集不同将会导致误差的累积量不同。
首先我们从“使损失函数尽量小”这个思路出发：
对于训练数据集合来说，使${\sum }_{i=1}^n(y_{train}^{(i)}-a{x}_{train}^{(i)}-b{)}^2$尽可能小
在得到a和b之后将$x_{test}$代入a、b中。可以使用${\sum }_{i=1}^n(y_{test}^{(i)}-y_{testpredict}^{(i)}{)}^2$来作为衡量回归算法好坏的标准。

二、四个指标

2.1 均方误差MSE（Mean Squared Error）

公式：$1/m{\sum }_{i=1}^m(y_{test}^{(i)}-y_{testpredict}^{(i)}{)}^2$
代码：

def mean_squared_error(y_true,y_predict):
    """计算y_true和y_predict之间的MSE"""
    assert y_true.shape[0]==y_predict.shape[0],\
        "the size of y_true must be equal to the size of y_predict"
    return np.sum((y_true-y_predict)**2)/y_true.shape[0]

2.2 均方根误差RMSE（Root Mean Squarde Error）

为了解决量纲的问题,引入RMSE,公式：$\sqrt{1/m{\sum }_{i=1}^m(y_{test}^{(i)}-y_{testpredict}^{(i)}{)}^2}=\sqrt{MS{E}_{test}}$
代码：

def root_mean_squared_error(y_true,y_predict):
    """计算y_true和y_predict之间的RMSE"""
    return sqrt(mean_squared_error(y_true,y_predict))

2.3 平均绝对误差MAE（Mean Absolute Error）

MAE是非常朴素评测标准,公式：$1/m{\sum }_{i=1}^m|y_{test}^{(i)}-y_{testpredict}^{(i)}|$
代码：

def mean_absolute_error(y_true, y_predict):
    """计算y_true和y_predict之间的MAE"""
    assert y_true.shape[0]==y_predict.shape[0],\
        "the size of y_true must be equal to the size of y_predict"
    return np.sum(np.absolute(y_true-y_predict))/y_true.shape[0]

从数学角度来分析，RMSE和MAE的量纲相同，但RMSE的结果较大，这是因为RMSE是将错误值平方，平方操作会放大样本中预测结果和真实结果较大的差距。MAE没有放大。而我们就是要解决目标函数最大差距，因为选RMSE更好一点。

2.4 R Square($R^2$)

因RMSE和MAE受量纲的局限性影响，无法对不同量纲的模型评价好坏,于是，引入$R^2$指标。公式：$R^2=1-S{S}_{residual}/S{S}_{total}=1-\sum (y_{predict}^{(i)}-y^{(i)}{)}^2/\sum (y_{mean}-y^{(i)}{)}^2=1-MSE(y_{predict}^{(i)},y)/Var(y)$

$R^2$的好处：
①、对于分子来说，预测值和真实值之差的平方和，即使用我们的模型预测产生的错误。
②、对于分母来说，是均值和真实值之差的平方和，即认为“预测值=样本均值”这个模型（Baseline Model）所产生的错误。
③、我们使用Baseline模型产生的错误较多，我们使用自己的模型错误较少。因此用1减去较少的错误除以较多的错误，实际上是衡量了我们的模型拟合住数据的地方，即没有产生错误的相应指标。

代码：

/def r2_score(y_true,y_predict):
    """计算简单线性回归准确度（R方）"""
    return 1- mean_squared_error(y_true,y_predict)/np.var(y_true)

以上代码我们封装在metrics.py文件中。

2.5 总结

①、$R^2$ 小于等于1，可能取负数。
②、$R^2$越大模型拟合度越高。值在[0.5,0.7)区间说明模型很好，值在[0.7,0.96)区间说明模型非常好，值大于等于0.96需要考虑模型是否过拟合。
③、$R^2$小于0，说明模型很糟糕，连’瞎猜’的效果都不如。

附上代码.