机器学习之评价指标(一)——回归评价指标

机器学习可以分为回归、分类、聚类、降维等。不同任务有自己的评价指标，下面我们先介绍一下回归的评价指标。

回归问题

如果预测变量是连续的我们称为回归，回归中如果只有一个自变量和一个因变量，二者关系可以用一条直线近似表示，这种回归称为一元线性回归；如果有两个及两个以上的自变量，艾尔自变量与因变量是线性关系则称为多元线性回归。回归属于监督学习。

回归(也叫拟合)问题比较简单，衡量指标也相对好理解。我们用y_i表示真实值,$y$_i表示预测值。

平均绝对误差

平均绝对误差MAE(Mean Absolute Error),又称为L1范数损失(L1-norm loss)。取真实值与预测值差的绝对值的和，然后求平均。

MAE(y, $y$) = $\frac{1}{n}{\sum }_{i=1}^n$ |y_i - ,$y$_i|

均方误差

平均平方误差MSE(Mean Squared Error)，又称为L2范数损失(L2-norm loss)。取真实值与预测值差的平方和，然后求平均。

MSE(y, $y$) = $\frac{1}{n}{\sum }_{i=1}^n$ (y_i - ,$y$_i)²

均方根误差(标准误差)

均方根误差RMSE(Root Mean Squarde Error)，RMSE对一组数据中特别大或者特别晓得误差特别敏感，因此该指标能够很好的反映出误差的精密度，这也就使其鲁棒性较差。

公式的根号打不出来啊!!!

平均绝对百分比误差

平均绝对百分比误差(MAPE, Mean Absolute Percentage Error):是对绝对误差和真值百分比的误差损失预期。

决定系数 R Squared

决定系数(coefficient of determination)也叫拟合优度或者R2分数,反应自变量x对因变量y的变动的解释程度,越接近1,模型拟合的越好。例如，如果决定系数是0.86，这就意味着y的86%的变化可以通过x解释，可以解释其他的变化没有包含到模型中。