深度学习之常用模型评估指标（二）—— 回归问题

深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。

目录

一、SSE（误差平方和）

二、MSE（均方误差）

三、RMSE（均方根误差）

四、MAE (平均绝对误差)

五、MAPE（平均绝对百分比误差）

六、R Squared （R方/可决系数）

---

一、SSE（误差平方和）

公式

SSE越小，误差越小，模型越好

缺点

随着样本增加，SSE必然增加

不同的数据集的情况下，SSE间的比较没有意义

---

二、MSE（均方误差）

公式

拟合数据和原始数据对应样本点误差的平方和的均值，值越小说明拟合效果越好

---

三、RMSE（均方根误差）

公式

在MSE的基础上再开方，值越小说明拟合效果越好

---

四、MAE (平均绝对误差)

公式

模型预测值 f(x) 与样本真实值 y 之间距离的平均值

MAE 相比 MSE 的优点： MAE 对离群点不那么敏感，更有包容性。因为 MAE 计算的是误差 y-f(x) 的绝对值，无论是 y-f(x)>1 还是 y-f(x)<1，没有平方项的作用（不会变得更大或更小），惩罚力度都是一样的。

---

五、MAPE（平均绝对百分比误差）

公式

注：当真实值（yi）有数据等于0时（分母0除问题），该公式不可用

值越小越好，超过100%是劣质模型

---

六、R Squared （R方/可决系数）

公式

分子为预测数据和原始数据的误差，分母理解为原始数据的离散程度，二者相除可以消除原始数据离散程度的影响

越靠近1，表明这个模型对数据拟合更好
越靠近0，表明模型拟合越差

---

欢迎大家在评论区批评指正，谢谢大家~