評分迴歸模型

迴歸模型以數字預測結果，指示模型對目標變數的最佳預估。會產生數個指標，供您評估迴歸模型。

迴歸實驗訓練期間，會自動產生下列圖表，以提供所產生模型的快速分析：

• Permutation importance：以影響程度由高 (對模型效能影響最大) 至低 (對模型效能影響最小) 的順序顯示特徵的圖表。如需詳細資訊，請參閱排列重要性。

• SHAP importance：呈現每個特徵對預測結果的影響程度的圖表。如需詳細資訊，請參閱實驗訓練中的 SHAP 重要性。

R2

R 平方 (R2) 是特徵與目標之關聯的無單位衡量方式。表達方式可以是：相較於使用目標的平均值，模型預測距離完美更靠近多少百分比？

R2 範圍從無限大的負數到 1。越靠近 1，特徵變數就越能解釋目標值中的差異。換言之，您更可能有可導致準確預測的特徵重要性變數。

圖表顯示針對年齡繪製的高度範例。比起 R2 為 0.56 的第二個圖表，在第一個圖表中，高度與年齡的關聯更密切，其中 R2 是 0.97。

請注意，較低的 R2 值不一定代表不良的模型。如何解譯 R2 取決於使用案例和資料。考慮迴歸模型評分時，重要的是應記住線性關係不一定很關鍵。若線性迴歸產生不良結果，同時其他演算法具有更好的效能，這可能只是表示您的資料無法透過線性關係產生夠好的模型化。

RMSE

均方根誤差 (RMSE) 可以解譯為預測值和實際值之間預期的平均 +/- 差異。這是殘差 (觀察值和特徵預測值之間的差異) 的標準差。RMSE 的衡量單位與目標值相同。

如範例所示，假設目標是預測對比值，我們會得到 RMSE = 1250。這表示平均而言，預測值與實際值相差 +/- $1,250。

MSE

平均平方誤差 (RMSE) 可以解譯為預測值和實際值 (我們預期會看見平均) 之間的平方 +/- 差異。其衡量單位與目標值平方相同。

在對比值預測的範例中，MSE 值 1562500 代表模型位移 +/- 1,562,500 $2。請注意，單位是美元平方。

MAE

平均絕對誤差 (MAE) 是所有絕對預測錯誤的平均，其中預測錯誤是實際和預測值之間的差異。使用預測誤差的絕對值可防止 +/- 誤差互相取消。MAE 的衡量單位與目標值相同。