公式推导
MSE/R²推导: 回归评估指标
从预测误差出发，推导均方误差MSE和决定系数R²，说明R²的统计含义。
第 1 / 617%
1
预测误差
👉
关键部分
预测误差 e 是真实值 y 与预测值 \hat{y} 之差，衡量单样本的预测偏差。
代码沙盒
回归评估指标
使用 NumPy 实现 MSE、RMSE、MAE、R² 等指标。
📌 基本回归指标：MSE、RMSE、MAE 与 R² 的计算。
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📏
R平方的陷阱R平方(决定系数)看起来很完美：1表示完美拟合，0表示和直接用均值一样。但R平方有一个隐藏陷阱——给模型加更多特征，R平方永远只会增不会减，哪怕加的是完全随机的噪声！修正方案是调整后的R平方，它会对无用特征进行惩罚。
一句话总结
💡
回归指标包括MSE、RMSE、MAE和R²等，衡量预测值与真实值的偏差程度。
常见误区
这些坑别踩
✗
误区 1
R²越接近1模型一定越好。
✓
正确理解
R²在训练集上可能因过拟合而接近1，应看测试集R²，且R²对异常值敏感，某些情况下R²为负表示模型比均值预测还差。
✗
误区 2
MSE和MAE可以随意替换使用。
✓
正确理解
MSE对大误差更敏感(平方放大)，适合关注极端误差的场景；MAE对异常值更鲁棒，两者侧重不同应根据需求选择。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
MSE（均方误差）的公式及特点是？
2
关于 R²（决定系数），下列说法正确的是？
3
MAE（平均绝对误差）相比 MSE 的主要优点是？
4
RMSE 与 MSE 的关系是？
面试经典题
共 4 题 · 先思考再看答案
1
基础
请说明 MSE、MAE、RMSE 的定义、区别及各自适用场景。
2
中等
解释 R²（决定系数）的含义，以及它在什么情况下可能为负。
3
困难
为什么 MSE 对异常值敏感？在实际中如何平衡鲁棒性与可导性？
4
中等
在回归任务中，为什么不能仅看单一指标？应该综合哪些指标？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺