回归模型评价指标

在机器学习中，评估预测未来单价的模型效果时，你可以使用不同的 模型评价指标，这些指标能够帮助你判断模型的准确性和性能。根据预测任务的不同，以下是一些常用的模型评价指标：

1. 均方误差（MSE, Mean Squared Error）

• 定义：MSE 衡量了模型预测值和真实值之间差异的平方的平均值。
• 公式：

  

  其中 yiyi​ 是真实值，yi^yi​^​ 是预测值，nn 是样本数。
• 适用场景：MSE 用于回归任务，可以告诉你模型的预测误差的大小。它对异常值比较敏感，因为误差被平方了。

2. 均方根误差（RMSE, Root Mean Squared Error）

• 定义：RMSE 是 MSE 的平方根。它可以提供与数据单位相同的误差度量，更直观。
• 公式：

  

• 适用场景：RMSE 给出的误差比 MSE 更容易解释，因为它与数据的原始单位一致。如果 RMSE 很大，表明模型预测误差很大。

3. 平均绝对误差（MAE, Mean Absolute Error）

• 定义：MAE 衡量了预测值与真实值之间的绝对差异的平均值，反映了模型的平均预测误差。
• 公式：

  

• 适用场景：MAE 更容易解释，因为它对异常值不敏感。它适用于你希望了解模型在每个预测上的平均误差的情况。

4. R² 决定系数（R-Squared）

• 定义：R² 衡量了模型解释数据变化的程度。它表示模型的拟合优度，值越接近 1 表示模型拟合越好。
• 公式：

  

  其中，yˉyˉ​ 是目标变量的均值。
• 适用场景：R² 是评价回归模型表现的常用指标，反映模型的解释能力。值越接近 1，模型对数据的解释能力越强；值越接近 0，模型的解释能力较弱。

5. 平均绝对百分比误差（MAPE, Mean Absolute Percentage Error）

• 定义：MAPE 衡量预测误差的百分比，常用于商业和金融领域，适合处理比例性的误差。
• 公式：

  

• 适用场景：当你关注误差相对大小时，MAPE 很有用。它的单位是百分比，直观易懂，但当实际值为零或接近零时，MAPE 会变得不稳定。

6. 残差分析

• 定义：残差是指模型预测值与真实值之间的差异。通过分析残差的分布，你可以判断模型是否存在系统性的误差。
• 适用场景：通过查看残差的分布，你可以检查是否有明显的模式或趋势。如果残差的分布是随机的，说明模型已经学习到了数据中的主要模式。

7. 交叉验证（Cross-validation）

• 定义：交叉验证是一种用于评估模型泛化能力的方法。它将数据集分为多个子集，通过在不同的训练集和验证集上多次训练和评估模型，得到模型的稳定性和表现。
• 适用场景：特别适用于数据量有限或模型较为复杂的情况。常见的方式是 K折交叉验证，通常用于验证模型的可靠性。

指标特点

• MSE：对大误差更敏感，单位为原始数据单位的平方
• RMSE：与原始数据单位相同，便于解释
• MAE：对异常值不敏感，单位与原始数据相同
• R²：无量纲，取值范围通常在 [0,1]，越接近1表示模型拟合越好
• MAPE：以百分比表示，便于理解，但当真实值接近0时会有问题