RSME,MSE,R2等指标的解释与思考

最新推荐文章于 2024-12-11 13:19:40 发布
最新推荐文章于 2024-12-11 13:19:40 发布
阅读量2.8w 收藏 39
点赞数 9
CC 4.0 BY-SA版权
分类专栏： 统计
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Einsam0/article/details/81703301
本文介绍了机器学习中常用的评估指标，包括RMSE、MSE、SSE等误差度量方法，并详细解析了R2、SST、SSR的概念及计算方式。通过实例说明不同指标的应用场景及其优劣。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近做一个算法，直接算法中就计算了一个叫做RMSE的值，开始出来我以为是准确率，类似于，clf.score，后来想想好像不对，所以就看来一些文章来研究了一下这些的含义。

预测值和真值相差的平方和是SSE,也就是误差平方和，这肯定是越小越好了，相当于一个误差累计。当然这个SSE越接近于0越好。

 但是，如果说10000的样本的情况，建立一个A模型，这个模型的SSE是100，100个样本的情况下，建立一个B模型，这个模型的SSE是80。但是不能说B模型比A模型好。所以就引入了MSE。

MSE就是均方误差，SSE除以样本量，平均的预测的值和真值差的平方，平均到每一个预测的Y

MSE的值在量纲上是平方，为了是这个量纲一致，所以对MSE开方就是RMSE，也就是均方根。

解释R2之前要解释一些SST和SSR

SSR表示的是预测值和原始值得均值差得平方和

SST表示得是原始数据和均值的差的平方和

所以R2，也就是R-square，可以经过公式推导得出SST=SSE+SSR

其实我们将R2写开

还可以这样表示。R2的范围在0-1之间，越接近1，表示越好，一般衡量线性回归最好的指标应该就是R2，通常表示模型你好的好坏。对R2开根号，就是R，也就是相关系数，也是越近1越好。

上面计算真值和预测值之间的误差都是做差求平方和，如果将平方和换成取绝对值，也就是MAE,RMAE,也就是不是square，变为absolute.

 

 

模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
weixin_43908136的博客
06-21 866
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
使用Excel进行线性回归、计算R2、RMSE、MAE等精度方法
热门推荐
Einzebrn的博客
12-19 3万+
对模型精度进行评价，采用决定系数（Coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Square Error，MSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）等五个特征指标进行比较，指标公式见下文。的输入区域，要选择右边红框的按钮选择序列中的数据，而不能用ctrl选择首尾；
多项式回归、R2 和 RMSE
March_A的博客
06-05 2万+
R2（决定系数）和RMSE（均方根误差）是常用的回归模型评估指标，用于衡量模型对观测数据的拟合程度和预测精度。R2（决定系数）： R2 表示模型对因变量的解释能力，取值范围从 0 到 1，越接近 1 表示模型对数据的拟合程度越好。计算公式为： R2 = 1 - (SSR / SST) 其中，SSR 是回归平方和（Sum of Squares of Residuals），表示回归模型的拟合误差；SST 是总平方和（Total Sum of Squares），表示总体数据的离散程度。
【0006day】R方、P值和RSME
qq_45697428的博客
05-22 3112
R方的含义是，预测值解释了 yi 变量的方差的多大比例，衡量的是预测值对于真值的拟合好坏程度。通俗理解，假定 yi 的方差为1个单位，则R方表示"使用该模型之后， yi 的残差的方差减少了多少"。本文总结了对R方的理解和用法，遵循“从一般到特殊”的思路，先讲一般回归模型中的R方，再讲线性回归模型里的R方。R方=0：一种可能情况是"简单预测所有y值等于y平均值"，即所有 y^i 都等于y¯（即真实y值的平均数），但也有其他可能。R方<0：模型预测能力差，比"简单预测所有y值等于y平均值"的效果还差。
RSME（ACM MM 2021）
weixin_54387067的博客
12-11 979
一旦选择了视觉信息，图像将通过遗忘门来增强有益的特征，MRP分数小的噪声将被忽略。（pHash它是一种用于 图像识别或多媒体内容相似性 检测的技术，pHash 通过将多媒体文件（通常是图像、视频、音频等）转化为一个较短的哈希值，便于比较和搜索相似的内容，如果两张图像非常相似，它们的 pHash 也会非常相似。因此，在本工作中，我们的遗忘门相对容易捕获视觉可检出图像中的视觉信息，而深度语义图像相对难以被模型检测到。在遗忘门中，根据不同的关系情况，增强实体的有益视觉信息，消除视觉相似性较差的噪声。
【科研】常用的实验结果评价指标（1） —— R2(R-square)是什么？
S数据菜菜的博客
05-10 3万+
各类论文的实验结果中经常会有R2作为评价指标，本篇就是为了搞清楚R2究竟是什么，什么时候能用，什么时候不能用。
零基础入门数据挖掘-Task1 赛题理解
ziqi_的博客
03-24 534
这里写自定义目录标题赛题新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 赛题 零基础入门数据挖掘 - 二手车交...
【我的数据挖掘竞赛之旅（二）】二手车交易价格预测——2020年天池阿里云竞赛Task1赛题理解
汪雯琦的博客
03-24 1412
Datawhale 零基础入门数据挖掘-Task1 赛题理解 文章目录Datawhale 零基础入门数据挖掘-Task1 赛题理解一、 赛题理解1.1 学习目标1.2 了解赛题1.2.1 赛题概况1.2.2 数据概况1.2.3 预测指标分类算法常见的评估指标如下：对于回归预测类常见的评估指标如下:1.2.4. 分析赛题1.3 代码示例1.3.1 数据读取pandas1.3.2 分类指标评价计算示例...
我的0基础入门-二手车交易预测河北高校邀请赛-Task1
kailum的博客
04-13 344
Task1: 赛题理解 1.报名并下载数据集 2.数据概况（包含匿名特征） train.csv SaleID - 销售样本ID name - 汽车编码 regDate - 汽车注册时间 model - 车型编码 brand - 品牌 bodyType - 车身类型 fuelType - 燃油类型 gearbox - 变速箱 power - 汽车功率 kilometer - 汽车行驶公里 notRepairedDamage - 汽车有尚未修复的损坏 regionCode - 看.
20200321 Datawhale数据挖掘入门-Task1 赛题理解 (1)
yyouth的博客
03-22 1468
Datawhale入门数据挖掘 阿里云天池赛题：二手车交易价格预测 比赛地址：https://tianchi.aliyun.com/competition/entrance/231784/information 学习路线资料：https://github.com/datawhalechina/team-learning 代码部分转自https://blog.youkuaiyun.com/linqunbin/a...
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 1万+
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。误差越大，该值越大。所以要想决定系数R2越接近1，必须满足MSE越小，也就是真实值与预测值相差不大，也就是模型拟合程度高，同时var方差越大，也就是我们的样本离散程度大，对应的我们实际采样过程中，就是要求样本是随机性，以及全面性，覆盖度广。方差(variance)的计算公式：S2=1/n [(x1-X)2+(x2-X)2+(x3-X)2+…
机器学习：线性回归模型的评价方法 MSE, MAE, R2
威廉软件的博客
09-13 9774
MSE、RMSE、MAE 思路：测试数据集中的点，距离模型的平均距离越小，该模型越精确。 使用平均距离，而不是所有测试样本的距离和，因为距离和受样本数量的影响。
RMS(均方根)的简单了解
qq_53679622的博客
10-07 8395
RMS(均方根)的简单了解。
关于MAE，MSE，RMSE，R2—Square解释
m0_56270892的博客
05-17 1271
关于MAE，MSE，RMSE，R2—Square解释
回归类的模型评估指标R2
The Zen of Data Analysis
10-10 8910
先来看一组代码: import numpy as np rng = np.random.RandomState(42) X = rng.randn(100, 80) y = rng.randn(100) cross_val_score(LR(), X, y, cv=5, scoring='r2') 运行结果 array([-179.12952605, -5.692624 , -15.61...
回归模型拟合效果的统计指标： 决定系数 R2 r2 r2_score
彬彬侠的博客
09-23 6912
决定系数（Coefficient of Determination）的定义，计算公式和解释，在sklearn中模块为from sklearn.metrics import r2_score
R2-IBEA:基于R2指标的多目标优化进化算法
lhn的博客
11-29 1846
R2-IBEA:基于R2指标的多目标优化进化算法 参考文献 《R2-IBEA: R2 Indicator Based Evolutionary Algorithm for Multiobjective Optimization》 要点 本文所提出的算法消除了选择中的支配排序，并使用R2指标进行基于指标的选择。R2指标具有量化解或解集的良好性的理想属性。称为R2-IBEA，旨在通过纠正R2指标的固有偏差，获得一套不同的帕累托近似解。R2指标更偏向帕累托前沿的中心，而不是边缘。 一、介绍 本文的贡献如下：
【机器学习】回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、RMSEC、RMSEP、Rc、Rp、R2、RPD(随时补充 源码示例 简单实现)
Next_SummerAgain的博客
03-22 1万+
回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、R2
MSE r2
最新发布
03-18
### Mean Squared Error (MSE) Mean Squared Error 是一种常用的回归性能度量指标，用于衡量预测值 \( \hat{y} \) 和真实值 \( y \) 的差异。具体来说，它是通过计算每个样本的真实值和预测值之间的平方差并取平均值得到的。 \[ MSE = \frac{1}{m} \sum_{i=1}^{m}(y_i - \hat{y}_i)^2 \] 其中，\( m \) 表示样本数量，\( y_i \) 是第 i 个样本的真实值，而 \( \hat{y}_i \) 则是对应的预测值[^3]。 下面是一个简单的 Python 实现： ```python def mean_squared_error(y_true, y_pred): """ Calculate the Mean Squared Error between true values and predicted values. Parameters: y_true: List or numpy array of actual target values. y_pred: List or numpy array of predicted target values. Returns: float: The calculated Mean Squared Error. """ import numpy as np y_true = np.array(y_true) y_pred = np.array(y_pred) mse = np.mean((y_true - y_pred)**2) return mse ``` --- ### R-Squared (R&sup2;) R-squared 或称为决定系数，是用来评估模型拟合优劣程度的一个统计量。它表示因变量的变化中有多少比例可以由自变量解释。其定义如下： \[ R^2 = 1 - \frac{\text{SS}_{\text{res}}}{\text{SS}_{\text{tot}}} \] 其中， - \( \text{SS}_{\text{res}} = \sum_{i=1}^{m}(y_i - \hat{y}_i)^2 \)，即残差平方和； - \( \text{SS}_{\text{tot}} = \sum_{i=1}^{m}(y_i - \bar{y})^2 \)，即总离差平方和； 这里，\( \bar{y} \) 表示所有实际观测值的均值。 下面是实现 R&sup2; 的代码片段： ```python def r_squared(y_true, y_pred): """ Calculate the R-squared value given true and predicted values. Parameters: y_true: List or numpy array of actual target values. y_pred: List or numpy array of predicted target values. Returns: float: Calculated R-squared value. """ import numpy as np y_true = np.array(y_true) y_pred = np.array(y_pred) ss_res = np.sum((y_true - y_pred)**2) ss_tot = np.sum((y_true - np.mean(y_true))**2) r2 = 1 - (ss_res / ss_tot) return r2 ``` --- ### 总结 上述两个指标各有用途： - **MSE** 更关注误差的具体数值大小，适合用来优化模型参数。 - **R&sup2;** 提供了一个相对的比例来说明模型的效果好坏，通常更直观易懂。 两者都可以帮助理解模型的表现，并指导进一步改进方向。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值