回归模型三种损失函数
回归问题看的是我们预测的y值和原始的y值相差到底有多大，我们通常都会训练多个模型，可以通过下面几个方法来评估模型的好坏。
对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程：
SSE(误差平方和)：The sum of squares due to error MSE(均方误差)：Mean square error
R-square(决定系数)：Coefficient of determination
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination
下面我对以上几个名词进行详细的解释下，相信能给大家带来一定的帮助！！
一、SSE(误差平方和)
计算公式如下：
同样的数据集的情况下，SSE越小，误差越小，模型效果越好
缺点：
SSE数值大小本身没有意义，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义
二、MSE（均方误差）
计算公式如下：
这是SSE的一个变形，和L2损失函数是一样的。如果回归模型的损失函数是L2，做验证的时候可以直接用损失函数来评估模型。
三、R-square(决定系数)
计算公式如下：
数学理解： 分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响
其实“决定系数”是通过数据的变化来表征一个拟合的好坏。
理论上取值范围（-∞，1], 正常取值范围为[0 1] ------实际操作中通常会选择拟合较好的曲线计算R²，因此很少出现-∞
越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好
越接近0，表明模型拟合的越差
经验值：>0.4， 拟合效果好
缺点：
数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差
三、Adjusted R-Square (校正决定系数）
计算公式如下：
n为样本数量，p为特征数量
消除了样本数量和特征数量的影响
————————————————
版权声明：本文为CSDN博主「Dana-Song」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/shy19890510/article/details/79375062