线性回归和logistic回归误差值

线性回归和逻辑回归都是常见的机器学习算法，它们在回归和分类问题中广泛应用。下面我将分别介绍它们的误差值。

1. 线性回归误差值：
线性回归是一种用于建立连续数值预测模型的算法。它通过拟合一个线性方程来预测因变量的值。线性回归的误差值通常使用均方误差（Mean Squared Error，MSE）来衡量。MSE计算方法如下：
1. 对于每个样本，计算预测值与真实值之间的差异。
2. 将所有样本的差异平方后求和。
3. 将总和除以样本数量，得到平均误差。

2. 逻辑回归误差值：
逻辑回归是一种用于建立二分类模型的算法。它通过拟合一个逻辑函数来预测样本属于某个类别的概率。逻辑回归的误差值通常使用对数损失函数（Log Loss）来衡量。对数损失函数计算方法如下：
1. 对于每个样本，计算预测概率与真实标签之间的差异。
2. 将所有样本的差异取对数后求和。
3. 将总和除以样本数量，得到平均误差。