2017-07-11 1 views

Répondre

1

Ceci est très simple: Je suppose que votre fonction de régression crache un nombre qui est quelque peu différent de votre valeur cible. Il pourrait même être plus simple que le regroupement, laissez-moi vous expliquer pourquoi ...

différence dans l'évaluation

clustering vous avez des étiquettes. Un élément peut avoir le mauvais ou l'étiquette correcte. Il existe différents cas (faux positif, faux négatif, vrai positif, vrai négatif). Votre test pourrait avoir besoin de prendre en compte tous ces cas (la précision se penche sur l'exactitude globale, peu importe quoi).

En régression, votre résultat est un nombre (comme 2.123) et votre cible est un autre nombre (comme 1.100). Votre erreur est la différence (dans ce cas, 1.023). Vous pouvez maintenant appliquer différentes méthodes pour calculer la taille de votre erreur sur tous les résultats, aussi bien pour les erreurs positives que négatives.

façons de calculer

Il y a beaucoup de façons et vous devez choisir ce qui est bon pour vous. Voici les deux probablement les plus populaires:

+0

Nous vous remercions pour votre Replying, Grand expliquer ,, ,, j'ai appliqué la métrique que vous avez mentionné ci-dessus pour mon modèle et il me donne 0,0000453861 et j'appliqué le R au carré métrique sur le même modèle et il me donne 0,321107000102 Je suis confus au sujet de la dif entre les résultats de deux métriques, pourquoi y a-t-il une énorme différence en nombre? –

+0

Il est difficile de faire des déclarations générales sans regarder les données. Pour appliquer ces mesures, vous devez comprendre comment elles fonctionnent afin de les interpréter. Par exemple, alors que R Squared (bonne idée en passant!) Est une métrique relative qui vous indique un pourcentage entre 0 et 1, SSE vous donne une valeur absolue. Je pense que vous devez investir du temps pour lire les statistiques. Il y a de bonnes explications comme celle-ci en ligne: http://blog.minitab.com/blog/adventures-in-statistics-2/regression-analysis-how-do-i-interpret-r-squared-and-assess-the -goodness-of-fit – Gegenwind

+0

Merci beaucoup pour vous explique ,,,, –