怎么評估AI回歸模型的預測結果，計算回歸模型預測值與真實值之間的差距？這篇文章里，作者介紹了常見指標的含義與計算方式，一起來看看吧。

上文介紹了如何利用混淆矩陣、KS和AUC等指標來評估分類模型的性能，今天我們來看一下如何評估回歸模型的預測結果。

不管是分類模型還是回歸模型的評估，其本質都是為了計算真實值和預測值之間的“差異”。

分類模型的“差異”體現在分類結果是否正確，而回歸模型的“差異”則體現在預測值與真實值有多大的差距。

那么如何計算回歸模型預測值與真實值的差距呢？常見的指標有MSE、RMSE、MAE、R2，我們來看看它們的計算方法。

一、MSE、RMSE、MAE的含義和計算

我們以一個預測氣溫的回歸模型為例，模型計算出未來15天的氣溫（預測值），15天過后我們可以得到每天的實際氣溫（實際值），我們以此數據為基礎，來計算該模型預測值與實際值的差異。

最直接的計算方式，就是計算每天氣溫的差值，并把差值相加即可。

但是有可能存在負數的差值，為避免正負數的差值互相抵消的情況，我們可以把每天的差值求平方之后，再相加，就可以得到一個表現差異的總數值。

因為天數是不固定的，天數越多，總差異值肯定就越大，所以我們需要再除以天數（15天），以得到一個更加通用的評估指標——MSE。

MSE（Mean Squared Error）：均方誤差，就是求出每天真實值和預測值的差值平方，求和后再除以天數。

我們看到，MSE有一個求平方的過程，但是平方會導致誤差放大，并且使差值的量綱發生變化，為了統一量綱，我們再對MSE值求一個平方根，就是RMSE。

RMSE（Root Mean Squared Error）：均方根誤差，是對MSE值求平方根之后的結果。

避免正負數的差值互相抵消的方式，除了平方之外，還可以求絕對值，我們將每天的差值求絕對值，再相加除以天數，就是MAE指標了。

MAE（Mean Absolute Error）：平均絕對誤差，就是求出每天真實值和預測值差值的絕對值，求和后再除以天數。

整體來說，MSE會放大差異，更容易被發現，適合在開發過程中使用。MAE采用的是更簡潔的計算，最接近真實的誤差值，常用來作為實際評估指標。而RMSE經過了平方再開方，其數值會比MAE略大一點。

二、R2的含義和計算

我們已經可以利用MSE等指標計算模型預測值和實際值的差異了，看起來好像已經夠用了，但是我們得到的是個數值，這個數可能是50、100，也可能是一萬、八千，那么到底什么樣的數值才是合理的呢？

只看MSE等求和類的指標的話，就顯得不夠直觀了，我們需要想辦法得到一個“系數”，來直觀的表達模型預測結果的好壞，這個系數就是R2。

R2（R Squared 決定系數）= （TSS – RSS）/TSS，其中TSS為總離差平方和（實際值和實際值均值之間的差值平方和），RSS為殘差平方和（實際值和預測值之間的差值平方和）。

R2的值一般都在0-1的范圍內，越接近1，說明模型預測效果越好。

當然如果預測值非常離譜，導致RSS過大，超過TSS值的話，R2也可能是負值，說明模型預測效果非常差。

總結

本文我們介紹了回歸模型的評估指標，學習完這兩篇文章之后，我們就掌握了評估模型性能的基本方法。

下篇文章，我會再詳細介紹如何評估模型的穩定性，敬請期待。