知识卡片
均方根误差恢复输出尺度
RMSE=√mean((y−ŷ)²),与预测目标同单位,便于解释误差量级。它仍更重视大误差,也不是平均绝对误差。比较时须使用同一数据、相同目标尺度与划分;训练RMSE较小不能单独证明模型泛化更好。
误差平方和随新增非零误差累加,样本数不同的模型比较宜先统一测试集,再选MSE/RMSE。不能由平均有符号误差为5推断MSE为25,平方与平均不交换。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 2 处
- 第5章 回归模型:预测网页访问量 使用虚拟变量的回归模型 · 查看原书依据
它在机器学习文献中更加常见。 下面是将吸烟的人和不吸烟的人分成单独建模的两组之后,使用R语言计算均方根误差(RMSE)的一种方法(结果见表5-2)。 ages<-read.csv('data/longevity.csv') constant.guess<-with(ages, m
- 第5章 回归模型:预测网页访问量 线性回归简介 · 连续片段2 · 查看原书依据
误差平方和在大数据集上的值比在小数据集上的值更大。为了确信这一点,想象一下已有一个固定的数据集以及这个数据集的误差平方和,现在增加一个不能完美预测的数据点。这个新数据点将误差平方和增加,这是因为添加一个正数到之前的误差平方和只能使得这个和更大。 但是有一个简单的方法可以解决这个问
参考来源
- 位置:《机器学习:实用案例解析》第05章《使用虚拟变量的回归模型》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3103.html,spine3209)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:它在机器学习文献中更加常见。 下面是将吸烟的人和不吸烟的人分成单独建模的两组之后,使用R语言计算均方根误差(RMSE)的一种方法(结果见表5-2)。 ages<-read.csv('data/longevity.csv') constant.guess<-with(ages, m
- 补充位置:text/part3104.html,spine3210;原始内容:误差平方和在大数据集上的值比在小数据集上的值更大。为了确信这一点,想象一下已有一个固定的数据集以及这个数据集的误差平方和,现在增加一个不能完美预测的数据点。这个新数据点将误差平方和增加,这是因为添加一个正数到之前的误差平方和只能使得这个和更大。 但是有一个简单的方法可以解决这个问