Machine learning 选择正确的回归模型度量
我一直在使用Machine learning 选择正确的回归模型度量,machine-learning,regression,metrics,Machine Learning,Regression,Metrics,我一直在使用r2评分指标。我知道有几个评估指标,我读过几篇关于它的文章。因为我还是机器学习的初学者。我仍然很困惑 何时使用每一个,取决于我们的情况,如果是,请给我举个例子 我读到它说,r2分数并不简单,我们需要其他东西来衡量我们模型的性能。这是否意味着我们需要不止一个评估指标才能更好地了解我们的模型性能 如果我们仅通过一个评估指标来衡量模型性能,是否建议这样做 由此可知,了解我们的数据分布和业务目标有助于我们理解并选择适当的指标。这是什么意思 如何知道每个指标的模型是否足够好 回归问题有不同的评
r2评分
指标。我知道有几个评估指标,我读过几篇关于它的文章。因为我还是机器学习的初学者。我仍然很困惑
r2分数
并不简单,我们需要其他东西来衡量我们模型的性能。这是否意味着我们需要不止一个评估指标才能更好地了解我们的模型性能回归问题有不同的评估指标,如下所示
R²
显示了自变量描述的目的变量的变化。一个好的模型可以给R²
评分接近1.0,但这并不意味着应该如此。具有较低R²的模型也可以给出较低的MSE
分数。因此,为了确保模型的预测能力,最好使用MSE
、RMSE
或除R²
之外的其他指标
MSE
评估指标,因为它基本上衡量我们预测的平均平方误差,或者如果你的数据有太多的异常值MSE
给这个例子太多惩罚李>