如何在sklearn上解释回归模型中的大平均绝对/平方误差

Question

我是ML的新手，正在尝试理解回归的评估指标。我发现平均绝对误差、均方误差和R2分数通常用于回归。对于初学者级别的回归任务，我有以下y_true和y_pred值：

y_true |y_pred
595000 | 550000

610000 | 565000现在，MAE和MSE显示以下结果：

metrics.mean_absolute_error(y_true,y_pred) #Result:     15000.0
metrics.mean_squared_error(y_true,y_pred)  #Result: 225000000.0
metrics.r2_score(y_test,y_pred) #Result: 0.5555

为什么结果如此之大？我以为结果会是0.0到1.0。此外，我认为它会给出0.0到1.0之间的错误率。现在，我该如何解释这个关于我的模型性能的大数字呢？非常感谢。

Answer 1

在平均绝对误差和平方误差的情况下，分数结果会很大，因为它会使正常输出的平均值和预测输出的之间产生差异

例如，平均绝对误差=y_true-y_pred并且，均方误差=(y_true-y_pred(^2

这些结果必然会超过1。大于1并不会降低它们的重要性，它们都有助于消除预测返回负值的情况。

对于r2_score的情况，它将使用预测输出和正常输出来找到模型的准确率百分比，这就是为什么它的范围在0到1 之间