一个深度学习入门的菜鸟，希望通过做笔记的方式记录下自己学到的东西，希望对同样入门的人有所帮助。希望大佬们帮忙指正错误~侵权立即删除。

内容

一、SSE（误差平方和）

二、MSE（均方误差）

三、RMSE（均方根误差）

四、MAE (平均绝对误差)

五、MAPE（平均绝对百分比误差）

六、R Squared （R方/可决系数）

一、SSE（误差平方和）

🌳公式

$S S E=\sum\left(Y_{-} \text {actual }-Y_{-} \text {predict }\right)^{2}$

🌳SSE越小，误差越小，模型越好

🌳缺点

随着样本增加，SSE必然增加

不同的数据集的情况下，SSE间的比较没有意义

二、MSE（均方误差）

🌳公式

$M S E=\frac{1}{m} \sum_{1}^{m}\left(Y_{-} a c t u a l-Y_{-}p r e d i c t\right)^{2}$

🌳拟合数据与原始数据对应样本点误差平方和的平均值。该值越小，拟合效果越好。

🌳公式

$R M S E=\sqrt{\frac{1}{m} \sum_{i=1}^{m}\left(y_{actual}-y_{predict}\right)^{2}}$

🌳在MSE的基础上再开方，值越小说明拟合效果越好

🌳公式

$M A E=\frac{1}{m} \sum_{i=1}^{m}\left|y_{i}-f\left(x_{i}\right)\right|$

🌳模型预测值 f(x) 与样本真实值 y 之间距离的平均值

🌳MAE 相比 MSE 的优点： MAE 对离群点不那么敏感，更有包容性。因为 MAE 计算的是误差 y-f(x) 的绝对值，无论是 y-f(x)>1 还是 y-f(x)<1，没有平方项的作用（不会变得更大或更小），惩罚力度都是一样的。

🌳公式

$M A P E=\frac{100 \%}{m} \sum_{i=1}^{m}\left|\frac{y_{i}-f\left(x_{i}\right)}{y_{i}}\right|$

🌳注：当真实值（yi）有数据等于0时（分母0除问题），该公式不可用

🌳值越小越好，超过100%是劣质模型

🌳公式

$R^{2}=1-\frac{\sum\left(Y_{-} \text {actual }-Y_{-} \text {predict }\right)^{2}}{\sum\left(Y_{-} \text {actual }-Y_{-} \text {mean }\right)^{2}}$

🌳分子是预测数据与原始数据的误差，分母理解为原始数据的离散程度。将两者相除可以消除原始数据分散程度的影响。

🌳越靠近1，表明这个模型对数据拟合更好
越靠近0，表明模型拟合越差

欢迎大家在评论区批评指正，谢谢~