【机器学习】回归模型评价指标

已于 2024-03-16 15:12:23 修改
阅读量1.1k 收藏 12
点赞数 9
分类专栏： 人工智能之机器学习篇 文章标签： 机器学习 回归 人工智能
于 2024-02-01 07:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CXY819394/article/details/135963152
版权
本文介绍了回归模型中常用的评价指标，如均方误差(MSE),根均方误差(RMSE),平均绝对误差(MAE)和决定系数(R²)，并给出了Python代码示例。指出在选择指标时要考虑问题特性和数据特点，如异常值处理时可能优先考虑MAE或MAPE。
摘要由CSDN通过智能技术生成

🌻个人主页：相洋同学
🥇学习在于行动、总结和坚持，共勉！

目录

1.均方误差 (MSE - Mean Squared Error)

2.均方误差根（RMSE-Root Mean Squared Error）

3.平均绝对误差（MEA-Mean Absolute Error）

4.决定系数（-Coefficient of Determination）

5.代码演示

#学习总结#
模型训练好之后，对其进行评价是十分必要的。对于回归模型的性能评价，主要是通过衡量模型预测值与实际值之间的差异来实现的。

主要的评价方式有如下几种：

1.均方误差 (MSE - Mean Squared Error)

  • 计算公式为：MSE = \frac{1}{n}\sum_{i=1}^{n} (y_{i}-y\hat{}_{i})^{2}
  •  其中，y_{i}是观测值，y\hat{}_{i}是模型预测值。
  • MSE衡量的是预测值与实际值差异的平方和的均值，越小表示模型越好。

2.均方误差根（RMSE-Root Mean Squared Error）

  • 计算公式为：RMSE=\sqrt{MSE}
  • RMSE是MSE的平方根，对于较大的误差会给予更大的惩罚，单位与原数据保持一致，便于理解

3.平均绝对误差（MEA-Mean Absolute Error）

  • 计算公式为：MEA = \frac{1}{n}\sum_{i=1}^{n}\left | y_{i}-y\hat{}_{i} \right |
  • MAE 衡量的是预测值与实际值差异的绝对值的平均值，对所有的差异给予相等权重。

4.决定系数（R^{2}-Coefficient of Determination）

  • 计算公式为：R^{2}=1-\frac{\sum_{i=1}^{n}(y_{i}-y\hat{}_{i})^{2}}{\sum_{i=1}^{n}(y_{i}-y\bar{}_{i})^{2}}
  • 其中，y\bar{}是观测值的平均值
  • R^{2}表示模型能够解释的数据变异性的比例，R^{2}越接近1，模型的解释能力越强。

决定系数是常用的观测指标，根据公式我们不难得到以下结论

  1. 当R^{2}=0或接近0时，相当于取平均值的效果
  2. 当R^{2}<0时，代表模型效果较差，还不如取平均值的效果，理论上R^{2}取值可以无穷小
  3. 当R^{2}>0，接近1代表模型效果较好

5.代码演示

代码示例：

#导入相应的方法
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
print("均方误差(MSE)：", mean_squared_error(y_test, y_hat))
print("根均方误差(RMSE)：", np.sqrt(mean_squared_error(y_test, y_hat)))
print("平均绝对值误差(MAE)：", mean_absolute_error(y_test, y_hat))
print("训练集R^2：", r2_score(y_train, lr.predict(X_train)))
print("测试集R^2：", r2_score(y_test, y_hat))
# socre求解的就是r^2的值。但是r2_score方法与score方法传递参数的内容是不同的。
print("训练集R^2：", lr.score(X_train, y_train))
print("测试集R^2：", lr.score(X_test, y_test))

输出：

均方误差(MSE)： 3.691394845698606
根均方误差(RMSE)： 1.921300300759516
平均绝对值误差(MAE)： 1.2333759522850203
训练集R^2： 0.9065727532450596
测试集R^2： 0.8649018906637793
训练集R^2： 0.9065727532450596
测试集R^2： 0.8649018906637793

每种指标都有其优缺点，选择哪种指标取决于具体问题和数据的特点。例如，如果数据中的异常值影响较大，可能会选择使用 MAE 或 MAPE，因为相比于 MSE，它们对异常值的敏感度较低。而 R² 和调整 R² 则更多地用于解释模型对数据的拟合程度。

以上

学习在于总结和坚持，共勉

相洋同学
关注
  • 9
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【机器学习】常见模型评估指标
Asher117的博客
10-17 1272
【机器学习】中常见的模型评估指标 在mmm个样本中，有α\alphaα个样本分类错误。 1.错误率(error rate)：E=α/mE = \alpha/mE=α/m 2.精度(accuracy)：1−α/m1-\alpha/m1−α/m ...
机器学习回归模型评价指标
qq_38134556的博客
04-01 8238
回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、R2_score。 先看看计算公式： 1、MSE(平均平方误差、均方误差) 均方误差是线性回归中最常见的损失函数，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据有更好的精确度。 2、RMSE(均方根误差、标准误差） 标准误差是均方误差的算术平方根，开方后，误差的结果与数据是一个级别的。标准误差对测量中的离群点反映非常敏感。标准误差可以反映出测量的精密度。 3
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
weixin_63522758的博客
03-26 3997
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。它的含义就是，既然不同数据集的量纲不同，很难通过上面的三种方式去比较，那么不妨找一个第三者作为参照，根据参照计算 R方值，就可以比较模型的好坏了。这个参照是什么呢，就是均值模型。
机器学习：预测评估8类指标
最新发布
m0_37228052的博客
07-03 946
机器学习：8类预测评估指标。
AI学习指南机器学习篇-逻辑回归模型评估
俞兆鹏的博客
06-04 1469
在机器学习中，模型评估是非常重要的一环。对于分类模型而言，评估指标能够帮助我们了解模型在不同方面的表现，从而选择最适合我们需求的模型。逻辑回归是一种常用的分类算法，其模型评估指标包括准确率、精确度、召回率、F1分数等。本文将深入讨论逻辑回归模型的评估指标，解释这些评估指标在评价分类模型性能时的作用和局限性。
机器学习之模型评估
m0_74318688的博客
04-16 2135
模型评估是对训练好的模型性能进行评估，模型评估是模型开发过程不可或缺的一部分，有助于我们了解模型的性能和泛化能力。机器学习的任务有回归,分类和聚类，针对不同的任务有不同的评价指标。按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。虽然在鸢尾花实验中k值对准确率和ROC曲线并无显著影响，但我们需要知道，在不特定问题中，较小的k值意味着模型会更加复杂，因为它更多地依赖于训练数据中的局部结构。这可能导致模型对训练数据过拟合，从而在测试数据上的表现不佳。
回归模型评估指标
庐州月光的博客
05-12 3248
欢迎关注”生信修炼手册”!回归模型的评估，核心是利用模型预测值与真实值之间的差值，常用的指标有以下几种1.平均绝对误差Mean Absolute Error,简称MAE,公式如下考虑...
回归模型评价指标：MSE、RMSE、MAE、R2 score
热门推荐
weixin_43752304的博客
02-15 1万+
回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE(平均绝对误差)、MSE(平均平方误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏，这就需要用到R2_score。提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
【机器学习】回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、RMSEC、RMSEP、Rc、Rp、R2、RPD(随时补充 源码示例 简单实现)
Next_SummerAgain的博客
03-22 7340
回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、R2
【机器学习】12种回归评价指标
fengdu78的博客
11-08 5806
你是否曾经遇到各种评价指标而不知道含义？或者不知道如何使用Numpy进行计算？在本文我们将介绍常见的回归评价指标，并包含公式和Numpy计算代码。Mean Absolute Error，MAE平均绝对误差（Mean Absolute Error，MAE），也称为 L1 损失，是最简单的损失函数之一，也是一种易于理解的评估指标。它是通过取预测值和实际值之间的绝对差值并在整个数据集中取平均值来计算的。...
机器学习：回归模型的评价指标
XIAOFEI@IDO
06-14 8648
1. 概述 对于回归而言，模型性能的好坏主要体现在拟合的曲线与真实曲线的误差。主要的评价指标包括：拟合优度/R-Squared，校正决定系数(Adjusted R-square)，均方误差（MSE），均方根误差（RMSE），误差平方和(SSE)，平均绝对误差（MAE），平均绝对百分比误差(MAPE)。 1. 均方误差 （Mean Squared Error，MSE）：观测值与真值偏差的平方和与观测次数的比值： 要点： MSE相当于模型中的损失函数，线性回归过程中尽量让该损失函数最小。 模型之间的对比也
机器学习模型评估指标汇总
weixin_39048703的博客
11-20 1177
在使用机器学习算法中，针对不同的问题需要用不同的模型评估标准，这里统一汇总并结合自己的理解进行阐述。主要以两大类：分类与回归 一、分类问题 混淆矩阵 混淆矩阵是ROC曲线绘制的基础，同时也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。 一句话解释版本： 混淆矩阵就是分别统计分类模型归错类、归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 混淆矩阵的定义 混淆矩阵（confusion matrix），它的本质远没有它的名字听上去那么拉风。矩阵，可以理解为就是一张表格，混淆矩
【机器学习（8）】回归模型的常用评价指标：均方差MSE、均绝对误差MAE、均绝对比例误差MAPE、相关性系数R2
12-22
模型评价：回归模型的常用评价指标 1） 样本误差：衡量模型在一个样本上的预测准确性     样本误差 = 样本预测值 – 样本实际值 2） 最常用的评价指标：均误差方（MSE）     指标解释：所有样本的样本误差的平方...
机器学习基础算法-回归类型和评价分析
09-07
9. **评价指标**：回归模型的评价通常使用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、R²得分等。R²得分越接近1，表示模型解释变量的能力越强。此外，还有对数似然损失、马科夫损失等。 10. **交叉验证...
【附代码数据】python机器学习回归实例代码.pdf
05-06
"Python 机器学习回归实例代码" 本资源为 Python 机器学习回归实例代码，旨在解决广告媒体与销售额之间的关系问题。该实例代码使用了 Python 语言，配合 Pandas、Matplotlib 和 Scikit-learn 库，实现了数据处理、...
回归模型的算法性能评价.pdf
06-05
通过对不同性能评价指标的理解和应用，我们可以更全面地评估回归模型的性能。选择合适的指标不仅能够帮助我们了解模型的整体表现，还能够针对特定应用场景做出更有针对性的选择。例如，在金融领域，可能更加关注异常...
机器学习模型可解释性.pdf
08-12
机器学习流程步骤包括收集数据、清洗数据、训练模型、基于验证或测试错误或其他评价指标选择最好的模型。第一个步骤是选择小的错误率和高的准确率的模型。第二步是一个模型越复杂就越难以解释。简单的线性回归模型...
回归评价指标：MSE、RMSE、MAE、R2、Adjusted R2
now
05-20 1万+
1、均方误差：MSE（Mean Squared Error） 其中，为测试集上真实值-预测值。 SSE(和方差) 该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下 SSE= SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样 2、均方根误差：RMSE（Root Mean Squard Error） 可以看出，RMSE=sqrt（MSE）。 3、平均绝对误差：MAE（Mean Absolute
回归模型的评价指标
m0_46926492的博客
06-14 2937
但这样的拟合结果不是一个好结果，因为一旦新样本是处于拟合曲线的后半段的，预测结果必然会有巨大偏差。所以，我们希望找到新的指标，除了判断预测的 数值是否正确之外，还能够判断我们的模型是否拟合了足够多的，数值之外的信息。如果方差越大，代表数据上的信息量越多，而这个信息量（模型潜在的规律）不仅包括了数值的大小，还包括了我们希望模型捕捉的那些规律。分母其实可以表示称为样本的潜在规律，分子为模型的误差（损失），那么样本数据潜在的规律是不变的，则误差越小则分子分母表达式返回的结果越小，则r2越接近1.
机器学习模型评价指标及可视化代码
05-16
机器学习模型的评价指标可以分为分类模型和回归模型两类。 ## 分类模型评价指标 ### 混淆矩阵 混淆矩阵是分类模型评价中最基本的指标，它用于描述分类模型预测结果和真实结果之间的关系。可以用以下代码实现混淆矩阵的可视化： ```python import matplotlib.pyplot as plt import seaborn as sns from sklearn.metrics import confusion_matrix def plot_confusion_matrix(y_true, y_pred, classes, normalize=False, cmap=plt.cm.Blues): cm = confusion_matrix(y_true, y_pred) if normalize: cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] plt.imshow(cm, interpolation='nearest', cmap=cmap) plt.title('Confusion matrix') plt.colorbar() tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes, rotation=45) plt.yticks(tick_marks, classes) fmt = '.2f' if normalize else 'd' thresh = cm.max() / 2. for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): plt.text(j, i, format(cm[i, j], fmt), horizontalalignment="center", color="white" if cm[i, j] > thresh else "black") plt.tight_layout() plt.ylabel('True label') plt.xlabel('Predicted label') ``` ### 准确率 准确率是分类模型评价中最常用的指标，用于衡量模型预测正确的样本占总样本数量的比例。可以用以下代码实现准确率的计算和可视化： ```python from sklearn.metrics import accuracy_score def plot_accuracy(y_true, y_pred): acc = accuracy_score(y_true, y_pred) plt.figure(figsize=(4, 4)) plt.title('Accuracy: {:.2%}'.format(acc)) sns.heatmap(confusion_matrix(y_true, y_pred), square=True, annot=True, fmt='d', cbar=False) ``` ### 精确率、召回率和 F1 值 精确率是指模型预测为正例的样本中，真正为正例的样本占比；召回率是指真正为正例的样本中，被模型预测为正例的样本占比；F1 值是精确率和召回率的调和平均数。可以用以下代码实现精确率、召回率和 F1 值的计算和可视化： ```python from sklearn.metrics import precision_score, recall_score, f1_score def plot_precision_recall_f1(y_true, y_pred): precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) plt.figure(figsize=(4, 4)) plt.title('Precision: {:.2%}, Recall: {:.2%}, F1 Score: {:.2%}'.format(precision, recall, f1)) sns.heatmap(confusion_matrix(y_true, y_pred), square=True, annot=True, fmt='d', cbar=False) ``` ## 回归模型评价指标 ### 均方误差和均方根误差 均方误差是回归模型评价中最常用的指标之一，用于衡量模型预测值与真实值之间的差异。均方根误差是均方误差的平方根。可以用以下代码实现均方误差和均方根误差的计算和可视化： ```python from sklearn.metrics import mean_squared_error def plot_mse_rmse(y_true, y_pred): mse = mean_squared_error(y_true, y_pred) rmse = np.sqrt(mse) plt.figure(figsize=(4, 4)) plt.title('MSE: {:.2f}, RMSE: {:.2f}'.format(mse, rmse)) plt.scatter(y_true, y_pred, alpha=0.5) plt.plot([y_true.min(), y_true.max()], [y_true.min(), y_true.max()], 'k--') plt.xlabel('True Values') plt.ylabel('Predictions') ``` ### R2 值 R2 值是回归模型评价中最常用的指标之一，用于衡量模型解释数据方差的能力，取值范围为 0 到 1。可以用以下代码实现 R2 值的计算和可视化： ```python from sklearn.metrics import r2_score def plot_r2(y_true, y_pred): r2 = r2_score(y_true, y_pred) plt.figure(figsize=(4, 4)) plt.title('R2 Score: {:.2%}'.format(r2)) plt.scatter(y_true, y_pred, alpha=0.5) plt.plot([y_true.min(), y_true.max()], [y_true.min(), y_true.max()], 'k--') plt.xlabel('True Values') plt.ylabel('Predictions') ``` 以上是一些常用的机器学习模型评价指标及可视化代码，可以根据实际需求进行调整和修改。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值