-
样本误差：衡量模型在一个样本上的预测准确性
- 样本误差 = 样本预测值 - 样本实际值
- 最常用的评价指标：均误差方（MSE）
- 指标解释：所有样本的样本误差的平方的均值
- 指标解读：mse越接近0，模型越准确
- skleaen相关函数：
from sklearn.metrics import mean_squared_error
- 较为好解释的评价指标：平均绝对误差（MAE）
- 指标解释：所有样本的样本误差的绝对值的均值
- 指标解读：mae越接近0，模型越准确
- 备注：由于mae的单位与因变量相同，所以较为容易被解释
- sklearn相关函数：
from sklearn.metrics import mean_absolute_error
- mae的衍生指标：平均绝对比例误差（MAPE）
- 指标解释:所有样本的样本误差的绝对值占实际值的比例
- 指标解读：mape越接近0，模型越准确。
- 模型解释度：R Squared，R方
- 指标解释：因变量的方差能被自变量解释的程度
- 指标解读：R方越接近1，则代表自变量对因变量的解释度越高。
- sklearn相关函数：
from sklearn.metrics import r2_score
网友评论