机器学习中回归模型六大评价指标

---

一、机器学习中，回归问题的六大评价指标是什么？

	回归问题五大评价指标分别为 
	皮尔逊相关系数，
	解释方差分数（explained_varience_score），
	平均绝对误差（mean_absolute_error），
	均方差(mean_square_error)， 
	r2分数（r2_score） 
	和 调整r2分数（r2_score_adjust）

二、六大评价指标都代表什么含义？如何进行模型评价？

	2.1 皮尔逊相关系数(pearsonr)
	值的范围为 [-1,1], 
	值的意义是 描述两个变量之间的线性相关性，既不考虑两个变量的线性相关性的斜率，
	也不考虑两个变量的非线性相关性，只考虑两个变量线性相关性的程度；越接近1，说明模型性能越好。

公式：

	2.2 解释方差分数（explained_varience_score）
	值的范围为 [0,1], 
	值的意义是 描述自变量对因变量方差变化的解释性程度；即特征对目标值在模型中的拟合程度；
	越接近1，说明模型性能越好。

公式：

	2.3 平均绝对误差（mean_absolute_error）【注：又称L1范数】
	值的范围[0, +∞]，
	值的意义是 描述预测结果对目标值的接近程度；
	值越小，说明模型性能越好。
	缺点为不能做损失函数，因为不可导，不能求梯度。

公式：

	2.4 均方差(mean_square_error) 【注：又称L2范数】
	值的范围[0, +∞]，
	值的意义是 描述预测结果对目标值的接近程度；
	值越小，说明模型性能越好。
	可以作为算是函数，一阶可导，可以求梯度。

公式：

	2.5 r2分数（r2_score）
	值的范围[-∞, 1]，
	值的意义是 描述因变量的变化被自变量通过回归模型解释的比例，是定性评价，非定量评价；
	值越接近1，说明模型性能越好。
	值为0，说明通过回归模型预测的目标值为样本目标值的均值，即拟合效果不好。
	可以为负值，同样说明拟合效果不好。
	另外，r2分数会随着样本量的增加而增加，所以不能直接应用于不同回归模型的性能比较。

公式：

	2.6 调整r2分数（r2_score_adjust）
	值的范围是[-∞, 1]], 
	值的意义是 描述因变量的变化被自变量通过回归模型解释的比例，是定性评价，非定量评价；
	值越接近1，说明模型性能越好。
	因为加入了模型参数量和样本个数的惩罚系数，所以能直接应用于不同回归模型的性能比较。

公式：

总结

以上就是六种常见的回归模型评价指标，希望对你有所帮助

引用文章链接：

1. 百度皮尔逊相关系数https://baike.baidu.com/item/%E7%9A%AE%E5%B0%94%E9%80%8A%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0/12712835