预测和专业建模 > 神经网络 > 模型报表 > 训练和验证拟合测度
发布日期: 11/15/2021

训练和验证拟合测度

显示训练集和验证集的拟合测度(图 3.5)。

广义 R 方

可以应用到一般回归模型的测度。它基于似然函数 L,并且统一尺度后最大值为 1。值为 1 表示完美模型,值为 0 表示并不比常数模型好的模型。对于标准最小二乘设置中的连续正态响应,“广义 R 方”测度简化为传统 R 方。“广义 R 方”亦称 Nagelkerke/Craig and Uhler R2,它是 Cox and Snell 伪 R2 的标准化版本。请参见 Nagelkerke (1991)。

熵 R 方

(仅当响应为名义型或有序型时才显示。)比较拟合模型和恒定概率模型的对数似然的一种拟合测度。熵 R 方的范围介于 0 到 1 之间,其中接近 1 的值指示拟合更佳。请参见熵 R 方

R 方

给出模型的 R 方。

RASE

提供均方根误差。响应为名义型或有序型时,差值介于 1 和 p(实际发生的响应水平的拟合概率)之间。

绝对偏差的均值

响应的真实值与预测值的差值绝对值的平均值。响应为名义型或有序型时,差值介于 1 和 p(实际发生的响应水平的拟合概率)之间。

误分类率

具有最高拟合概率的响应类别不是观测到的类别的比率。仅当响应为名义型或有序型时才显示。

-对数似然

给出负对数似然。请参见《拟合线性模型》中的似然、AICc 和 BIC

误差平方和

给出误差平方和。仅当响应为连续变量时才可用。

频数总和

给出使用的观测数。若您在“神经”启动窗口中指定了“频数”变量,“频数总和”将给出频数列的总和。

若有多个响应,将给出每个响应的拟合统计量,并且给出总体广义 R 方和负对数似然。

混淆统计量

对于名义型或有序型响应,将给出“混淆矩阵”报表和“混淆率”报表(图 3.5)。“混淆矩阵”报表显示实际响应水平和预测响应水平的双向分类。对于分类响应,预测水平是具有最高预测概率的水平。“混淆率”报表等同于“混淆矩阵”报表,只不过其中的数字要除以行合计。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).