回归问题中的R^2，残差平方和SSE，均方误差MSE区别

问题，好多年前做线性回归时看R^2，对残差平方和有点印象，但后来做模型基本都是定义个损失函数要求残差最小，损失函数有很多种，如下表中的不同问题对应的不同损失，对回归问题最常用的就是均方损失（MSE）。

R^2越接近1越好，MSE越小越好，只有个大概的印象具体区别真没有细想。

image.png
image.png

三者不同，R^2 和SSE针对线性回归问题；而MSE的应用范围更广，即所有的回归问题中都可以将均方差做为损失函数然后逐步优化迭代。

R^2（R-Square）拟合优度，表示回归的拟合程度

SSE（error sum of squares）为残差平方和

SST（total sum of squares）为总离差平方和

SSR（regression sum of squares）为回归平方和

公式如下：

image.png

MSE = SSE/n

参考

RMSE，R2 ，SSE，MSE的定义_rmse是什么意思_Panpan Wei的博客-CSDN博客
决定系数R2；残差平方和SSE；回归平方和SSR总平方和SST；_星独的博客-CSDN博客
常见损失函数 & 损失函数选择方法51CTO博客常见的损失函数
模型评估指标（RMSE、MSE、MAE、R2准确率、召回率、F1、ROC曲线、AUC曲线、PR曲线） - 简书 (jianshu.com)