九、机器学习基础知识：回归预测性能评价指标

文章结构概览

• 回归预测模型的评估方法论
  • • 1、均方误差（Mean Square Error，MSE）
    • 2、均方根误差（Root Mean Square Error，RMSE）
    • 3、平均绝对偏差（Mean Absolute Error，MAE）
    • 4、平均绝对百分比偏差（Mean Absolute Percentage Error，MAPE）
    • 5、对称平均绝对百分比偏差（Symmetric Mean Absolute Percentage Error，SMAPE）
    • 6、拟合优度（R-squared）
    • 7、各项预测评估指标的比较分析

回归预测性能评价思路

在训练数据集上，预测输出值与对应真实值之间的差距被定义为“训练误差”，而通过训练完成的模型在测试数据集上进行预测时，预测结果与实际值之间的偏差则被称为“泛化误差”。利用预测模型进行大规模数据预测的核心目标在于尽可能地将“泛化误差”降至最低。然而，在实际操作中，只能通过优化模型的训练过程来减少“训练误差”，因此在测试数据集上实现“泛化误差”为零的情况几乎无法达成。

由于误差的存在是不可避免的，在评估模型质量时，需要借助一系列指标来衡量其性能表现。对于预测模型而言，其性能评价主要关注的是经过训练后的模型在新数据集上的预测效果