评估线性回归（在microsoft机器学习中）

我在azure机器学习和评估模型中玩线性回归

我仍然有点不确定评估的各种指标是什么意思和显示，所以如果我不正确，我希望一些更正

平均绝对误差：残差（误差）的平均值

均方根误差：残差的标准偏差。有了这个，我可以看到我的绝对误差离平均值/中值有多远

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。值越小越好，表示差异越小

相对平方误差：相对绝对误差平方的误差平方。不确定相对绝对误差给我带来了什么

确定系数：表示输入之间的相关性。+1或-1表示完全相关性，0表示无

柱状图显示了各种错误大小的频率。这显示了许多小错误。随着错误值的增加，频率降低，这表明，当与上述较差的度量一起使用时，可能有一些sku或异常值对模型有很大影响，从而降低了模型的准确性

这些定义和假设正确吗

---

您在大多数方面几乎都是正确的。为了确保我们用相同的术语进行讨论，请提供一点背景知识：

线性回归使用一些结果变量

y

和自变量

x1，x2，…

的数据，并试图找到最能预测

y

的

x1，x2，…

的线性组合。一旦建立了“最佳线性组合”，您就可以评估拟合的质量（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

运行回归将为您提供多个“成分”。例如，每次观察都将获得结果变量的预测值。

y

的观察值与预测值之间的差值称为残差或误差。残差可以是负值（如果

y

被高估）也可以是正值（如果

y

被低估）。残差越接近于零越好。但是，什么是“接近”？您提供的度量应该能够提供这方面的见解

• 平均绝对误差：取残差的绝对值并取其平均值
• 均方根误差：是残差的标准偏差。这将帮助您了解残差的分布有多大。残差是平方的，因此，高残差比小残差更重要。低RMSE是好的
• 相对绝对误差：绝对误差作为结果变量

  y

  实际值的一部分。在您的情况下，预测值平均比

  y

  的实际值高/低75%

• 相对平方误差：平方误差（

  残差^2

  ）为实际值的一部分

• 决定系数：几乎正确。这一范围介于0和1之间，可以解释为自变量在解释

  y

  时的解释力。事实上，在您的案例中，自变量可以模拟

  y

  中38,15%的变化。此外，如果您只有一个自变量b这个系数等于相关系数的平方

---

在几乎所有情况下，均方根误差和确定系数都是最重要的指标。老实说，我从来没有真正看到过其他指标被报告。

感谢您的回复。这有助于澄清我的一些想法。在评估模型也是非常有用的信息。