使用 cross_val_score 通过交叉验证计算均方误差的函数

Posted 2023-03-12

【中文标题】使用 cross_val_score 通过交叉验证计算均方误差的函数

【英文标题】：A function to calculate the mean square error by cross-validation using cross_val_score

【发布时间】：2021-09-01 15:20:19

【问题描述】：

我想编写一个函数，允许我使用 sklearn.model_selection 的 cross_val_score 函数计算通过 5 个样本交叉验证获得的均方根误差。

（知道 cross_val_score() 函数的打分参数允许选择我们想要使用的指标。​​）

我找到了这个方法，但它与问题不对应：

def rmse(predictions, targets):
    return np.sqrt(((predictions - targets)**2).mean())

非常感谢，Merci beaucoup :)

【参考方案1】：

您可以简单地在sklearn.model_selection.cross_val_score 中设置scoring='mean_squared_error'。查看validator 和metric 的文档。

换句话说：

cv = cross_val_score(estimator=my_estimator, X, y, cv=5, scoring='mean_squared_error')

【参考方案2】：

您在代码中使用了错误的公式，这里是均方误差的正确公式。

Y 是预期输出，O 是神经网络的实际输出。

【讨论】：

我试过这个，似乎工作：def rmse_cv(model, X_train, y_train): MSE_CV_scores = -cross_val_score(model, X_train, y_train, cv=5, scoring='neg_mean_squared_error', n_jobs=-1) rmse_cv = np.sqrt(MSE_CV_scores).mean() return rmse_cv

【参考方案3】：

你可以试试：

def rmse_cv(model):     
    rmse= np.sqrt(-cross_val_score(model, X, y, scoring="neg_mean_squared_error", cv=5))     
    return rmse