回归模型性能评估指标详解：从准确率到R²

图解机器学习 | 回归模型性能评估指标

回归模型是一种常用的机器学习模型，用于预测连续值的目标变量。在构建回归模型时，我们希望找到一个能够准确预测目标变量的模型。那么，如何衡量回归模型的性能呢？

1. 均方误差（MSE）

均方误差（MSE）是回归模型最常用的性能评估指标之一。MSE是预测值与真实值之间的差值的平方和的平均值。MSE的计算公式为：

其中，

• n 是样本数量。
• y_i 是第 i 个样本的真实值。
• \hat{y}_i 是第 i 个样本的预测值。

MSE越小，说明回归模型的预测值与真实值之间的差距越小，回归模型的性能越好。

2. 平均绝对误差（MAE）

平均绝对误差（MAE）是回归模型的另一种常用的性能评估指标。MAE是预测值与真实值之间的绝对差值的平均值。MAE的计算公式为：

其中，

• n 是样本数量。
• y_i 是第 i 个样本的真实值。
• \hat{y}_i 是第 i 个样本的预测值。

MAE越小，说明回归模型的预测值与真实值之间的差距越小，回归模型的性能越好。

3. 均方根误差（RMSE）

均方根误差（RMSE）是回归模型的第三种常用的性能评估指标。RMSE是MSE的平方根。RMSE的计算公式为：

其中，

• n 是样本数量。
• y_i 是第 i 个样本的真实值。
• \hat{y}_i 是第 i 个样本的预测值。

RMSE越小，说明回归模型的预测值与真实值之间的差距越小，回归模型的性能越好。

4. R²

R²是回归模型的第四种常用的性能评估指标。R²是回归模型的拟合优度的度量。R²的计算公式为：

其中，

• SSE 是回归模型的残差平方和。
• SST 是回归模型的总平方和。

R²的值在0到1之间。R²越接近1，说明回归模型的拟合优度越好。

5. 总结

在本文中，我们介绍了回归模型的四种常用的性能评估指标：均方误差、平均绝对误差、均方根误差和R²。这些指标可以帮助我们衡量回归模型的性能，并选择出最适合我们任务的回归模型。