SSE,MSE,RMSE,R-square指标讲解
SSE(和方差、误差平方和):The sum of squares due to error
MSE(均方差、方差):Mean squared error
RMSE(均方根、标准差):Root mean squared error
R-square(确定系数):Coefficient of determination
Adjusted 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(和方差)
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下
SSE越接近于0,说明模型选择和拟合更好,数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗,所以效果一样
二、MSE(均方差)
该统计参数是预测数据和原始数据对应点误差的平方和的均值,也就是SSE/n,和SSE没有太大的区别,计算公式如下
三、RMSE(均方根)
该统计参数,也叫回归系统的拟合标准差,是MSE的平方根,就算公式如下
在这之前,我们所有的误差参数都是基于预测值(y_hat)和原始值(y)之间的误差(即点对点)。从下面开始是所有的误差都是相对原始数据平均值(y_ba)而展开的(即点对全)!!!
四、R-square(确定系数)
在讲确定系数之前,我们需要介绍另外两个参数SSR和SST,因为确定系数就是由它们两个决定的
(1)SSR:Sum of squares of the regression,即预测数据与原始数据均值之差的平方和,公式如下
(2)SST:Total sum of squares,即原始数据和均值之差的平方和,公式如下
细心的网友会发现,SST=SSE+SSR,呵呵只是一个有趣的问题。而我们的“确定系数”是定义为SSR和SST的比值,故
其实“确定系数”是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为[0 1],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
- SSE,MSE,RMSE,R-square 指标讲解
- (转)SSE,MSE,RMSE,R-square指标讲解
- (转)SSE,MSE,RMSE,R-square指标讲解
- MATLAB拟合中SSE,MSE,RMSE,R-square,Adjusted R-quuare含义
- SSE,MSE,RMSE,R-square
- 拟合工具箱的几个误差参数说明,SSE,MSE,RMSE,R-square
- 推荐系统评测指标之RMSE、MSE
- 回归评价指标MSE、RMSE、MAE、R-Squared
- 数据统计中SSE MSE RMSE R-square指标讲解
- Linux-性能监控相关CPU、Memory、IO、Network等指标的讲解
- 24个基本指标精粹讲解(10)--BOLL
- 图像质量评估指标 SSIM / PSNR / MSE
- (机器学习算法常用指标)准确率,召回率,F1 值、ROC,AUC、mse、mape评价指标
- ATR指标讲解
- 24个基本指标精粹讲解(12)--TRIX
- 教你识别指标骗局:以某家捕捞季节和主力追踪为例讲解
- 24个基本指标精粹讲解(11)--AR/BR
- RMSE、MAPE、准确率、召回率、F1、ROC、AUC数据挖掘中的性能指标总结
- 【Spark Mllib】性能评估 ——MSE/RMSE与MAPK/MAP
- 24个基本指标精粹讲解(13)--DMI