您在此处：
回归度量
回归度量有助于评估预测连续数据数值的模型的性能。
预测值与实际值
预测值与实际值散点图将模型的预测结果与实际数据结果进行对比。点与对角线的接近程度表示模型的准确性，点越接近表示准确性越高。
残差
残差散点图显示了实际值和预测值之间的差异，称为残差，与预测值相关。理想情况下，这些点应该随机分布。在 Y 轴上，正值表示预测值过低，负值表示预测值过高，零值表示预测值完全正确。
4 倍交叉验证结果
4 倍交叉验证方法减轻了模型验证过程中的采样偏差。在这种方法中，数据被随机分成大小相等的四个独立分区，模型经历四次测试（倍）。在每一次测试中，三个分区用作训练数据，而剩下的一个用作测试数据。通过完成四次测试，每个分区一次用作验证数据，三次用作训练数据的一部分，从而确保全面的评估。参考验证结果表，检查与数据的每个倍数相对应的指标。
| 度量 | 描述 |
|---|---|
| 记录数 | 观察总数。值的含义因列而异。
|
| R2 | R2 测量模型解释结果变化的能力，这是模型预测效果的指标。 范围：
|
| MAE | 平均绝对误差。测量实际值与预测之间的绝对差。所有差值将在此平均值中平等加权，这表示不如 MSE 对异常值敏感。 |
| MSE | 均方误差。测量模型预测的平均方误差。MSE 计算观察（实际）结果与预测值之间的方差，然后对其取平均值。 |
| RMSE | 均方根误差。表示 MSE 的平方根。RMSE 会测量模型预测的值与观察（实际）值之间的差值。您可以将该值视为“误差的标准偏差” |
本文章是否解决您的问题？
请与我们共享您的想法，以便我们进行改进！
