You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.
# 3.2 回归模型性能评估指标
## 3.2.1 MSE
`MSE（ ） 叫做均方误差，其实就是线性回归的损失函数。公式如下：
$$
\frac{1}{m}\sum_{i=1}^m(y^i-p^i)^2
$$
其中$$y^i$$表示第`i`个样本的真实标签，$$p^i$$表示模型对第`i`个样本的预测标签。线性回归的目的就是让损失函数最小。那么模型训练出来了，我们在测试集上用损失函数来评估模型就行了。
## 3.2.2 RMSE
`RMSE（ ） 均方根误差，公式如下：
$$
\sqrt{\frac{1}{m}\sum_{i=1}^m(y^i-p^i)^2}
$$
`RMSE` 其实就是**MSE**开个根号。有什么意义呢？其实实质是一样的。只不过用于数据更好的描述。
例如：要做房价预测，每平方是万元，我们预测结果也是万元。那么差值的平方单位应该是千万级别的。那我们不太好描述自己做的模型效果。怎么说呢？我们的模型误差是多少千万？于是干脆就开个根号就好了。我们误差的结果就跟我们数据是一个级别的了，在描述模型的时候就说，我们模型的误差是多少万元。
## 3.2.3 MAE
`MAE(Mean Aboslute Error)` ，公式如下：
$$
\frac{1}{m}\sum_{i=1}^m|y^i-p^i|
$$
`MAE` 虽然不作为损失函数，确是一个非常直观的评估指标，它表示每个样本的预测标签值与真实标签值的`L1`距离。
## 3.2.4 R-Squared
上面的几种衡量标准针对不同的模型会有不同的值。比如说预测房价 那么误差单位就是万元。数子可能是`3`， ， ， `0～ 之间，最高百分之百。最低`0`。如果是负数，则考虑非线性相关。很直观，而且不同模型一样的。那么线性回归有没有这样的衡量标准呢？
`R-Squared` 就是这么一个指标，公式如下：
$$
R^2=1-\frac{\sum_i(p^i-y^i)^2}{\sum_i(y_{mean}^i-y^i)^2}
$$
其中$$y_{mean}$$表示所有测试样本标签值的均值。为什么这个指标会有刚刚我们提到的性能呢？我们分析下公式：
< div align = center >< img src = "./img/71.jpg" /></ div >
其实分子表示的是模型预测时产生的误差，分母表示的是对任意样本都预测为所有标签均值时产生的误差，由此可知：
1. $$R^2 \leq1$$,当我们的模型不犯任何错误时，取最大值`1`。
2. 当我们的模型性能跟基模型性能相同时，取`0`。
3. 如果为负数，则说明我们训练出来的模型还不如基准模型，此时，很有可能我们的数据不存在任何线性关系。
