回归模型-可接受的输出值

Question

我正在学习线性回归，并解决了2个例子。我知道R平方度量的可接受输出值（即介于0和1之间）。但是我不知道其他评估指标（例如MSE，MAE，RMSE，MPE，MAPE）的其他输出值。

我已经使用简单的线性回归模型尝试了2个示例

1. 年经验与薪水
2. 温度与收入

示例数据库示例如下：

简单线性回归模型的输出分别给出如下：

1）使用简单线性回归的[[YearsExperience vs Salary数据库的输出

 R-squared: 0.9749154407708353
 MSE: 21026037.329511296
 MAE: 3426.4269374307123
 RMSE: 4585.4157204675885
 MPE: -3.038880173900136
 MAPE: 5.261897682192567

2）使用简单线性回归的
温度与收入

数据库的输出

R-Squared: 0.984757527025319
MSE: 524.4821008905759
MAE: 18.39383836534172
RMSE: 22.90157420114556
MPE: -3.84953278964949
MAPE: 7.194443057043482

[如果可能，任何人都可以告诉我有关MSE，MAE，RMSE，MPE，MAPE的指标，即，对于良好的回归模型，可接受的值应该是多少？ 

Answer 1

这里是温度对收入的线性回归中模型优度的度量。

1. Rsquared：98.5％代表一个模型，解释了响应变量围绕平均值的所有变化。
2. 误差的度量，对于所有类型的误差大小，如果数值越小越好。但通常，如果您使用的回归是普通最小二乘（OLS）。您只需要查看RMSE（均方根误差）值，只有MSE值才是根。RMSE是残差变量的平方根。这显示了模型与数据的绝对兼容性-观察到的数据点与模型的预测值有多接近.RMSE可以解释为无法解释的标准方差，并且具有有用的属性。与响应变量相同的单位。
3. 如果仍然有疑问，您可以看到其他回归模型的优点，例如AIC值。与，

exractAIC(your_model)

并且不要忘记做假设测试清单。