在数据分析与机器学习中，回归分析是一种重要的预测方法，用于预测连续数值型变量。准确评估回归模型的预测精度对于模型选择和优化至关重要。以下是一些常见的回归预测精度计算方法及其实例。
1. 平均绝对误差（Mean Absolute Error, MAE）
MAE是衡量回归模型预测误差的一个常用指标，它计算的是预测值与实际值之间差的绝对值的平均值。
公式：
[ MAE = \frac{1}{N} \sum_{i=1}^{N} |y_i - \hat{y}_i| ]
其中，( y_i ) 是真实值，( \hat{y}_i ) 是预测值，( N ) 是数据点的数量。
实例：
假设我们有一个包含5个数据点的回归问题，真实值和预测值如下：
| 真实值 ( y_i ) | 预测值 ( \hat{y}_i ) |
|---|---|
| 2 | 2.5 |
| 3 | 2.8 |
| 4 | 3.2 |
| 5 | 4.1 |
| 6 | 5.0 |
计算MAE如下： [ MAE = \frac{|2-2.5| + |3-2.8| + |4-3.2| + |5-4.1| + |6-5.0|}{5} = 0.6 ]
2. 均方误差（Mean Squared Error, MSE）
MSE是MAE的平方版本，它对较大误差给予更高的惩罚。
公式：
[ MSE = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2 ]
实例：
使用上述数据点，计算MSE如下： [ MSE = \frac{(2-2.5)^2 + (3-2.8)^2 + (4-3.2)^2 + (5-4.1)^2 + (6-5.0)^2}{5} = 0.36 ]
3. R²（决定系数）
R²是衡量模型拟合优度的一个指标，其值介于0到1之间，越接近1表示模型拟合得越好。
公式：
[ R^2 = 1 - \frac{\sum_{i=1}^{N} (y_i - \hat{y}i)^2}{\sum{i=1}^{N} (y_i - \bar{y})^2} ]
其中，( \bar{y} ) 是真实值的平均值。
实例：
使用上述数据点，计算R²如下： [ R^2 = 1 - \frac{(2-2.5)^2 + (3-2.8)^2 + (4-3.2)^2 + (5-4.1)^2 + (6-5.0)^2}{(2+3+4+5+6)^2⁄5} = 0.8 ]
4. 平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）
MAPE是误差的百分比形式，通常用于比较不同模型的相对误差。
公式：
[ MAPE = \frac{100}{N} \sum_{i=1}^{N} \left| \frac{y_i - \hat{y}_i}{y_i} \right| ]
实例：
使用上述数据点，计算MAPE如下： [ MAPE = \frac{100}{5} \left| \frac{2-2.5}{2} \right| + \left| \frac{3-2.8}{3} \right| + \left| \frac{4-3.2}{4} \right| + \left| \frac{5-4.1}{5} \right| + \left| \frac{6-5.0}{6} \right| = 10\% ]
总结
选择哪种精度计算方法取决于具体的应用场景和需求。MAE和MSE适用于大多数回归问题，而R²和MAPE则更适用于模型比较和解释。在实际应用中，通常会结合多种指标来全面评估回归模型的性能。