# 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。

## 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。

兩個圖表繪製高度與年齡並呈現不同的 R2 值

兩個圖表繪製高度與年齡並呈現不同的 R2 值

兩個圖表繪製高度與年齡並呈現不同的 R2 值 ![R2 值不同的兩個圖表。](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Resources/Images/AutomatedMachineLearning/r-squared.png)

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。

## 預測速度

預測速度是適用於所有模型類型的模型指標：二元分類、多類別分類、迴歸和時間序列。預測速度衡量機器學習模型產生預測的速度。

在 Qlik Predict中，預測速度的計算方式是使用運算時間和測試資料集預測時間的組合特徵。這以每秒列數顯示。

執行實驗版本後，可以在模型指標表格中分析預測速度。您也可以在使用內嵌分析來分析模型時檢視預測速度資料。如需詳細資訊，請參閱：

* [分析模型指標表格](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [比較模型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### 考慮事項

衡量的預測速度是基於訓練資料集的大小，而不是進行預測的資料。部署模型後，如果訓練資料和預測資料的大小差異很大，或者如果對一列或幾列資料建立即時預測，則您可能會注意到預測建立速度之間的差異。

## 偏差指標

除了這些指標之外，還有許多偏差指標可用於您執行偏差偵測的功能，特性。其中有些指標是您正在訓練的模型類型專屬的。如需詳細資訊，請參閱[偵測機器學習模型中的偏差](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm)。