图解机器学习之回归模型性能评估指标
一个房价预测的任务，老板说你看看这个模型咋样？
我们先绘制一个坐标轴： Y 轴为房价，X 轴为年份。将过去房价数据绘制为绿色，回归模型绘制为蓝色。
关键问题是，怎么知道这个模型的好坏呢？
为了评估该模型的效果，一般会有几个指标：
一、平均绝对误差 Mean Absolute Error，MAE
平均绝对误差 MAE，也叫平均绝对离差。
这个指标在计算时，先对真实值与预测值的距离（橙色线段长度）求和，再取平均值。
用公式表示：
$MAE=\frac{1}{m}\sum_{i=1}^{m}|f(x_i)-y_i|$
其中，
- $f(x_i)$：预测值
- $y_i$：真实值
- $m$：数据量
平均绝对误差可以准确地反映实际预测误差的大小，但是，MAE 有个致命的缺点。
我们现在把左边的 Y 轴缩小 1000 倍，也就是 从 1000 -> 1。
接下来，计算 MAE：
- 数据集范围大会计算获得较大的 MAE。
- 数据集范围小会计算获得较小的 MAE。
可以看到，回归模型拟合没有变化，但是MAE 会随着数据的范围有较大的变化，也就说 MAE 指标不能显示回归模型拟合是优还是劣。
二、平均绝对百分误差 Mean Absolute Percentage Error，MAPE
为了解决以上问题，**平均绝对百分误差 **对 MAE 改进后，通过计算真实值与预测的误差百分比避免了数据范围大小的影响：
$MAPE=\frac{100}{m}\sum_{i=1}{m}|\frac{y_i-f(x_i)}{y_i}|$
该指标可以用于评估回归模型的性能优劣，常用于衡量预测准确性指标，一般 MAPE < 10 认为是较好的模型。
但是，如果真实值有 0，那么 MAPE 无法正确计算。
三、均方误差 MSE
现在对平均绝对误差求平方根，就能得到均方误差（Mean Square Error，MSE）。
这个指标在计算时，先对真实值与预测值的距离平方（橙色面积）后求和，再取平均值。
公式表示：
$MSE=\frac{1}{m}\sum_{i=1}^{m}(f(x_i)-y_i)^2$
该指标避免了 MAE 的绝对值导致函数不能求导的问题，因此均方误差常用于线性回归的损失函数。
另一方面，均方误差可以通过平方来放大预测偏差较大的值，提高了检测灵敏度。
四、均方根误差 Root-Mean-Square Error，RMSE
均方根误差，也称标准误差，是在均方误差的基础上进行开方运算，常用于衡量观测值与真实值间的偏差。
以上提到的 MAE、MSE、MAPE，RMSE 都会计算均值，它可以消除样本数量对评价指标的影响，使得评估指标的大小不会太依赖于样本数量，而是更多地反映模型的误差。
五、决定系数$R^2 Score$
该指标需要了解另外三个指标：
Sum of Squares of the Regression，SSR
计算预测数据与真实数据均值之差的平方和，反映的是模型数据相对真实数据均值的离散程度。
$SSR=\sum_{i=1}^{m}(f(x_i)-\overline y)^2$
Total Sum of Squares，SST
计算真实数据和其均值之差的平方和，反映的是真实数据相对均值的离散程度。
$SST=\sum_{i=1}^{m}(y_i-\overline y)^2$
Sum of Squares for Error，SSE
真实数据和预测数据之差的平方和
$SSE=\sum_{i=1}^{m}(f(x_i)-y_i)^2$
细心的小伙伴可能注意到，SST = SSR + SSE
决定系数$R^2$
决定系数$R^2$通过计算SSR 与 SST的比值，反应因变量 y 的全部变异能通过回归模型被自变量 x 解释的比例。比如，$R^2$为0.9，则表示回归关系可以解释因变量 90% 的变异。
- 决定系数R2越高，越接近于1，模型的拟合效果就越好
- 决定系数R2越接近于0，回归直线拟合效果越差。
$R^2$虽然可以评价回归模型效果，但会随着自变量数量的不断增加而改变。
六、校正决定系数
校正决定系数在决定系数R平方的基础上考虑了样本数量和特征数量的影响。自变量越多，校正决定系数就会对自变量进行处罚，所以一般校正决定系数小于决定系数。
$\overline R^2 = 1- \frac{(1-R^2)(m-1)}{m-n-1}$
其中，
- m 表示样本量
- n 表示解释变量总数
需要注意的是，决定系数和矫正决定系数都是基于均值进行计算，如果数据集中有异常点存在，会对该指标有较大的影响。也就是说，这两个指标对异常点较敏感，因此它们更适用于噪声较少的数据集。
对于噪声较多的数据集可以考虑 MAE，MAPE 来作为评估指标。
微信
支付宝
