评分回归模型

回归模型以数字形式预测结果，表明模型对目标变量的最佳估计。为评估回归模型，生成了几个度量。

在回归实验的训练过程中，自动生成以下图表，以提供对生成的模型的快速分析：

• Permutation importance：一种图表，在其中特征按照从最高影响（对模型性能的最大影响）到最低影响（对性能的最小影响）的顺序显示。有关详细信息，请参阅permutation importance。

• SHAP importance：表示每个特征对预测结果的影响程度的图表。有关详细信息，请参阅实验训练中的 SHAP 重要性。

R2

R 平方 (R2) 是特征与目标的相关性的无单位度量。它可以表示为：与使用目标的平均值相比，模型的预测接近完美的百分比是多少？

R2 的范围从负无穷大到 1。越接近 1，目标值中的方差越能被特征变量解释。换言之，你越有可能拥有能够导致准确预测的重要变量。

图表显示了身高与年龄的关系。在第一张图表中，R2 为 0.97，而在第二张图表中 R2 为 0.56，身高与年龄的相关性更密切。

注意，R2 值较低并不一定意味着它是一个坏模型。如何解释 R2 取决于用例和数据。在考虑回归模型评分时，重要的是要记住线性关系并不总是关键的。如果线性回归产生的结果很差，而其他算法的性能更好，这可能仅仅意味着你的数据不能用线性关系来建模。

RMSE

均方根误差 (RMSE) 可以解释为预测值和实际值之间的平均 +/- 差值。它是残差的标准偏差（特征的观测值和预测值之间的差值）。RMSE 以与目标值相同的单位测量。

例如，假设我们的目标是预测合同价值，我们得到 RMSE=1250。这意味着，平均而言，预测值与实际值相差 +/- $1,250。

MSE

均方误差 (MSE) 可以解释为预测值和实际值之间的平方 +/- 差，我们预计平均会看到该均方误差。其测量单位与目标值的平方相同。

在合同价值预测的示例中，MSE 值 1562500 意味着模型偏离 +/- 1,562,500 $2。注意，单位是平方美元。

MAE

平均绝对误差 (MAE) 是所有绝对预测误差的平均值，其中预测误差是实际值和预测值之间的差。使用预测误差的绝对值可以防止 +/- 误差相互抵消。MAE 以与目标值相同的单位测量。