机器学习1-关于回归问题的准确性评价

Posted 2020-10-29 rayshaw13

网址https://book.douban.com/reading/46607817/

建立回归器后，需要建立评价回归器拟合效果的指标模型。

平均误差(mean absolute error):这是给定数据集的所有数据点的绝对误差平均值

均方误差(mean squared error):给定数据集的所有数据点的误差的平方的平均值，最流行

中位数绝对误差(mean absolute error)：给定数据集的所有数据点的误差的中位数，可以消除异常值的干扰

解释方差分(explained variance score)：用于衡量我们的模型对数据集波动的解释能力，如果得分为1.0，表明我们的模型是完美的。

R方得分(R2 score)：读作R方，指确定性相关系数，用于衡量模型对未知样本预测的效果，最好的得分为1.0，值也可以是负数。

对应代码：

import sklearn.metrics as sm

print(‘mean absolute error=‘,round(sm.mean_absolute_error(y_test,y_test_pre),2))
print(‘mean squared error=‘,round(sm.mean_squared_error(y_test,y_test_pre),2))
print(‘median absolute error=‘,round(sm.median_absolute _error(y_test,y_test_pre),2))
print(‘explained variance score=‘,round(sm.explained_variance _score(y_test,y_test_pre),2))
print(‘R2 score=‘,round(sm.r2_score(y_test,y_test_pre),2))

通常情况下，尽量保证均方误差最低，而且解释方差分最高。