與優化均方誤差相比，優化平均絕對誤差可能會導致不同的「最優模型」。然而，與優化 r2 值相同，優化均方誤差將總是導致相同的「最優」模型。
同樣，如果你選擇具有最佳 r2 分數（最高）的模型，它也將是具有最低均方誤差（mse）的模型。
1、平均絕對誤差(mae)，不利於使用梯度下降
當你要**的資料遵循偏斜分布時，這是乙個很有用的指標。在這些情況下，對絕對值做優化特別有用，因為與使用均方誤差一樣，異常值不會對試圖優化這個指標的模型有影響。這個技術的最佳值是中位值。當優化均方誤差的 r2 分數時，最佳值實際上是平均數。
均方誤差是回歸問題中最常用的優化指標。與 mae 類似，你希望找到乙個最小化此值的模型。這個指標可能會受到偏斜分布和異常值的極大影響。當乙個模型考慮用 mae 而不是 mse 做優化時，記住這一點很有用。在很多情況下，在 mse 上進行優化更容易，因為二次項可微。而絕對值是不可微的。這一因素使得該指標 (mse) 更適合用於基於梯度的優化演算法。
回歸模型的評估指標
回歸 擬合 問題比較簡單，所用到的衡量指標也相對直觀。1.平均絕對誤差 mae 2.平均平方誤差 mse 3.均方根誤差 rmse 4.決定係數 r2 如果結果是0，說明我們的模型跟瞎猜差不多。如果結果是1，說明模型無錯誤。數學理解 分母為原始資料的離散程度，分子為 資料和原始資料的誤差，二者相除，...
回歸模型的評估指標
回歸模型的評估指標 rmse 平方根誤差 mae 平均絕對誤差 mse 平均平方誤差 coefficient of determination 決定係數r2 mape 平均絕對百分誤差 msle 均方根對數誤差 等。from sklearn.metrics import mean squared e...
線性回歸（模型的評估
前面兩篇文章筆者介紹了如何建模線性回歸 包括多變數與多項式回歸 如何通過sklearn搭建模型並求解。但是對於乙個求解出來的模型我們應該怎樣來對其進行評估呢？換句話說，你這個模型到底怎麼樣？以最開始的房價 為例，現在假設你求解得到了圖中所示的兩個模型h1 x h 1 x h1 x 與h 2 x h ...