评估线性回归（在Microsoft机器学习

Question

林在蔚蓝的机器学习线性回归玩和评价模型。

林还是有点不确定什么评价各指标的含义和演出，所以希望得到一些修正，如果我是不正确

1. 平均绝对误差：。平均残差（错误）
2. 均方根误差：标准偏差残差有了这个，我可以看到如何发。从平均值/中位数我的绝对误差是。
3. 相对绝对误差：显示相对误差和绝对误差之间百分比差异的百分比值。值越低越好，表明差异较小。
4. 相对平方误差：平方误差相对于绝对平方。不确定这是什么给我的相对绝对误差。
5. 确定系数：表示输入之间的相关性。 +1或-1表示完美关联，0表示无。
6. 直方图显示了各种误差幅度的桶的频率。这显示了很多小错误。随着误差值增加频率降低，表明，如果考虑到上面差的指标，可能有一些sku或异常值对模型有很大的影响，使得它不太准确。

这些定义和假设是否正确？

Answer 1

你在最点几乎是正确的。为了确保我们在相同的条件讲，背景一点点：

的线性回归使用上的一些结果变量y和自变量x1, x2, ..数据，并试图找到x1, x2, ..线性组合最能预测y。一旦建立了“最佳线性组合”，您就可以通过多种方式评估拟合的质量（即模型的质量）。你提到的六点都是回归方程质量的关键指标。

运行回归可为您提供多种“成分”。例如，对于结果变量，每个观察结果都会得到一个预测值。观测值y与预测值之间的差异称为残差或误差。残差可能为负数（如果y被高估）和正数（如果低估了y）。残差越接近零，效果越好。但是，什么是“接近”？您提供的指标应该能够提供一个洞察力。

• 平均绝对误差：采用残差的绝对值并充分利用了平均。
• 均方根误差：是残差的标准差。这将帮助你看到，传播是多大的残留。残差平方，因此高残差将计入多余的小残差中。低RMSE是好的。

• 相对绝对误差：绝对误差作为结果变量y的实际值的一部分。在你的情况下，预测平均比实际值y高出/低于75％。

• 相对平方误差：平方误差（residual^2）作为实际值的一部分。

• 确定系数：几乎正确。这个范围在0到1之间，可以解释为解释y中自变量的解释能力。事实上，在你的情况下，自变量可以模拟y中38,15％的变化。另外，如果你只有一个独立变量，这个系数就等于平方相关系数。

均方根误差和确定系数是几乎所有情况下最重要的指标。说实话，我从来没有真正看到其他指标的报道。