Machine learning 选择正确的回归模型度量

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估指标，如下所示

均方误差（MSE）

均方根误差（RMSE）

平均绝对误差（MAE）

R²或决定系数

均方百分比误差（MSPE）

诸如此类

正如您所提到的，您需要根据您的问题类型、您想要度量的内容和数据的分布来使用它们

为此，您需要了解这些指标是如何评估模型的。您可以从这个nice检查评估指标的定义和优缺点

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

不可以。您可以使用多个评估指标。重要的是，如果比较两个模型，则需要使用相同的测试数据集和相同的评估指标

例如，如果你想过分惩罚你糟糕的预测，你可以使用

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

好的模型定义会根据问题的复杂性而变化。例如，如果您训练一个模型，该模型预测正面或反面，并给出%49的准确度，这是不够的，因为该问题的基线是%50。但对于任何其他问题，%49的准确度可能足以解决您的问题。总之，这取决于您的问题，您需要定义或思考人类（基线）阈值