回归模型的几个评价指标

发布时间：2020年09月28日 12:27:48 来源：点击量：918

【摘要】回归模型的几个评价指标对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程：SSE(误差

回归模型的几个评价指标

对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程：

SSE(误差平方和)：The sum of squares due to errorR-square(决定系数)：Coefficient of determinationAdjusted R-square：Degree-of-freedom adjusted coefficient of determination下面我对以上几个名词进行详细的解释下，相信能给大家带来一定的帮助！！一、SSE(误差平方和)

计算公式如下：

同样的数据集的情况下，SSE越小，误差越小，模型效果越好

缺点：

SSE数值大小本身没有意义，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义
二、R-square(决定系数)

数学理解：分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响

其实“决定系数”是通过数据的变化来表征一个拟合的好坏。

理论上取值范围（-∞，1], 正常取值范围为[0 1] ------实际操作中通常会选择拟合较好的曲线计算R?，因此很少出现-∞

越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好越接近0，表明模型拟合的越差

经验值：>0.4，拟合效果好

缺点：

数据集的样本越大，R?越大，因此，不同数据集的模型结果比较会有一定的误差
三、Adjusted R-Square (校正决定系数）

n为样本数量，p为特征数量