【基础】模型评估指标及其解释
发布时间: 2024-06-25 02:44:09 阅读量: 7 订阅数: 30 ![](https://csdnimg.cn/release/wenkucmsfe/public/img/col_vip.0fdee7e1.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/col_vip.0fdee7e1.png)
![【基础】模型评估指标及其解释](https://img-blog.csdnimg.cn/img_convert/0415d8d24875a7c51c5131214ffb400a.png)
# 1. 模型评估概述**
模型评估是机器学习过程中至关重要的一步,它可以帮助我们了解模型的性能,并指导模型的改进。模型评估涉及使用各种指标来量化模型在预测任务上的表现。这些指标可以分为两大类:回归模型评估指标和分类模型评估指标。
# 2. 回归模型评估指标
回归模型评估指标用于衡量回归模型的性能,评估其预测连续目标变量的能力。常见的回归模型评估指标包括均方根误差 (RMSE)、平均绝对误差 (MAE) 和决定系数 (R²)。
### 2.1 均方根误差 (RMSE)
**2.1.1 定义和计算**
均方根误差 (RMSE) 是回归模型评估中最常用的指标之一。它衡量预测值与真实值之间的平均平方差的平方根。RMSE 的计算公式如下:
```python
RMSE = sqrt(mean((y_true - y_pred) ** 2))
```
其中:
* `y_true` 是真实值
* `y_pred` 是预测值
**2.1.2 优点和缺点**
* **优点:** RMSE 易于理解和解释,因为它表示预测误差的平均幅度。RMSE 对异常值比较敏感,这可能导致误导性的结果。
* **缺点:** RMSE 对异常值比较敏感,这可能导致误导性的结果。此外,RMSE 具有相同的单位与目标变量,因此它可能难以跨不同数据集进行比较。
### 2.2 平均绝对误差 (MAE)
**2.2.1 定义和计算**
平均绝对误差 (MAE) 是另一种常用的回归模型评估指标。它衡量预测值与真实值之间的平均绝对差。MAE 的计算公式如下:
```python
MAE = mean(abs(y_true - y_pred))
```
其中:
* `y_true` 是真实值
* `y_pred` 是预测值
**2.2.2 优点和缺点**
* **优点:** MAE 对异常值不敏感,因为它只考虑预测误差的绝对值。MAE 易于理解和解释,因为它表示预测误差的平均幅度。
* **缺点:** MAE 不像 RMSE 那样惩罚较大的误差,因此它可能低估模型的性能。此外,MAE 具有相同的单位与目标变量,因此它可能难以跨不同数据集进行比较。
### 2.3 决定系数 (R²)
**2.3.1 定义和计算**
决定系数 (R²) 是回归模型评估中使用的第三个常见指标。它衡量模型预测值与真实值之间的相关性。R² 的计算公式如下:
```python
R² = 1 - (sum((y_true -
```
0
0
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![application/pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)