公司一定建设网站吗,网站服务体系,wordpress 摘要 空格,帝国做的网站根目录回归问题的典型性能度量是均方根误差#xff08;RMSE:Root Mean Square Error#xff09;。如下公式。 m为是你计算RMSE的数据集中instance的数量。x(i)是第i个实例的特征值向量 ,y(i)是其label#xff08;期望的模型输出#xff09;。如下#xff1a;X是包含了所有实例的… 回归问题的典型性能度量是均方根误差RMSE:Root Mean Square Error。如下公式。 m为是你计算RMSE的数据集中instance的数量。x(i)是第i个实例的特征值向量 ,y(i)是其label期望的模型输出。如下X是包含了所有实例的特征值不包含label的矩阵。每行代表一个实例并且每行等于x(i)向量的转置(x(i))T 。 下图矩阵中的第一行为2中向量的转置列向量变为行向量。h是预测函数当输入是某实例的特征向量x(i) 应用函数之后结果为ŷ(i)h(x(i)). ŷ也叫作y-hat. 比如对第一个实例应用函数h后结果为158400即ŷ(1)h(x(1))158400。那么预测误差/错误为ŷ(1)-y(1)  158400 - 156400 2000.RMSE(X,h) 是在数据集X上应用于函数h计算的cost function。 以上我们使用小写斜体表示标量(m,y(i))函数名(h)。小写粗体表示向量(x(i)). 大写粗体表示矩阵(X). 还有一种度量方法为 Mean Absolute Error. 理解起来也比较简单。 下面是一张图通过线性关系生动解释了RMSE。4个黑色的点是数据集包括标签蓝色的线是我们的预测函数h: ŷ2.50x-2。从而可以求出RMSE为0.707.与之前不同的是这里取m为3(m-1)而不是4。 结论 RMSE越小说明模型越fit数据。   转载于:https://www.cnblogs.com/nativestack/p/ml_rmse.html