對於回歸而言，模型效能的好壞主要體現在擬合的曲線與真實曲線的誤差。主要的評價指標包括：擬合優度/r-squared，校正決定係數(adjusted r-square)，均方誤差（mse），均方根誤差（rmse），誤差平方和(sse)，平均絕對誤差（mae），平均絕對百分比誤差(mape)。
均方誤差是指：觀測值與真值偏差的平方和與觀測次數的比值
公式：mse相當於模型中的損失函式，線性回歸過程中盡量讓該損失函式最小。那麼模型之間的對比也可以用它來比較。mse可以評價模型的**精度，mse的值越小，說明**模型對於目標的擬合程度越精確。
rmse（root mean squard error）均方根誤差，rmse其實是mse開根號，兩者實質一樣，但rmse能更好的描述資料。因為mse單位量級和誤差的量級不一樣，而rmse跟資料是乙個級別的，更容易感知資料。
缺點：易受異常值的影響。
mae（mean absolute error）
公式：平均絕對百分比誤差（mean absolute percentage error），與rmse相比，更加魯棒，因為mape對每個點的誤差進行了歸一化。
公式：
擬合優度是指回歸直線對觀測值的擬合程度。
公式：
r2 越接近於1，說明回歸直線對觀測值的擬合程度越好；相反，r2值越小，說明回歸直線對觀測值的擬合程度越差。
公式：其中，n為樣本數量，p為特徵數量。
取值範圍還是負無窮到1，大多是 0~1，且越大越好
機器學習模型評價指標 回歸任務
from sklearn.metrics import mean absolute error 沒找到sklearn怎麼實現，先用python 實現吧from sklearn.metrics import median absolute errorfrom sklearn.metrics impor...
機器學習 回歸模型
回歸模型的功能一般是 分為線性回歸，決策樹 回歸樹 支援向量機 svr 線性回歸一般使用的公式如下 y w 0 x 0 w 1 x 1 w 2 x 2 w p x p bias x 0 到x p 表示單個資料點的特徵，w 和 bias是模型需要學習的引數，y則是模型 的結果。從高維來看，這裡的彩色斜...
機器學習 回歸模型
f x wt x b線性回歸 嶺回歸lasso lasso是least absolute shrinkage and selection operator的簡稱 邏輯回歸 對數機率回歸 線性回歸要求均方誤差最小 w b argmin sum m f x y w x tx lambda i x ty ...