評估線性迴歸（在Microsoft機器學習

Question

林在蔚藍的機器學習線性迴歸玩和評價模型。

林還是有點不確定什麼評價各指標的含義和演出，所以希望得到一些修正，如果我是不正確

1. 平均絕對誤差：。平均殘差（錯誤）
2. 均方根誤差：標準偏差殘差有了這個，我可以看到如何發。從平均值/中位數我的絕對誤差是。
3. 相對絕對誤差：顯示相對誤差和絕對誤差之間百分比差異的百分比值。值越低越好，表明差異較小。
4. 相對平方誤差：平方誤差相對於絕對平方。不確定這是什麼給我的相對絕對誤差。
5. 確定係數：表示輸入之間的相關性。 +1或-1表示完美關聯，0表示無。
6. 直方圖顯示了各種誤差幅度的桶的頻率。這顯示了很多小錯誤。隨着誤差值增加頻率降低，表明，如果考慮到上面差的指標，可能有一些sku或異常值對模型有很大的影響，使得它不太準確。

這些定義和假設是否正確？

Answer 1

你在最點幾乎是正確的。爲了確保我們在相同的條件講，背景一點點：

的線性迴歸使用上的一些結果變量y和自變量x1, x2, ..數據，並試圖找到x1, x2, ..線性組合最能預測y。一旦建立了「最佳線性組合」，您就可以通過多種方式評估擬合的質量（即模型的質量）。你提到的六點都是迴歸方程質量的關鍵指標。

運行迴歸可爲您提供多種「成分」。例如，對於結果變量，每個觀察結果都會得到一個預測值。觀測值y與預測值之間的差異稱爲殘差或誤差。殘差可能爲負數（如果y被高估）和正數（如果低估了y）。殘差越接近零，效果越好。但是，什麼是「接近」？您提供的指標應該能夠提供一個洞察力。

• 平均絕對誤差：採用殘差的絕對值並充分利用了平均。
• 均方根誤差：是殘差的標準差。這將幫助你看到，傳播是多大的殘留。殘差平方，因此高殘差將計入多餘的小殘差中。低RMSE是好的。

• 相對絕對誤差：絕對誤差作爲結果變量y的實際值的一部分。在你的情況下，預測平均比實際值y高出/低於75％。

• 相對平方誤差：平方誤差（residual^2）作爲實際值的一部分。

• 確定係數：幾乎正確。這個範圍在0到1之間，可以解釋爲解釋y中自變量的解釋能力。事實上，在你的情況下，自變量可以模擬y中38,15％的變化。另外，如果你只有一個獨立變量，這個係數就等於平方相關係數。

均方根誤差和確定係數是幾乎所有情況下最重要的指標。說實話，我從來沒有真正看到其他指標的報道。