回归模型常用评价指标

• 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