【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1.6k 收藏 16
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
专栏目录
机器学习100天（十二）：012 回归模型评估指标Python实现
红色石头的专栏
12-19 955
直接从 sklearn.metrics 模块中导入 mean_absolute_error 方法，一行语句直接计算 MAE，将两个参数 y_test 和 y_pred 写在括号里。直接从 sklearn.metrics 模块中导入 mean_squared_error 方法，一行语句直接计算 MSE，将两个参数 y_test 和 y_pred 写在括号里。根据定义，均方根误差就是均方误差的根，这里直接对均方误差求根，就得到了 RMSE。，同样将两个参数 y_test 和 y_pred 写在括号里。
机器学习：分类、多分类、回归模型的评估
热门推荐
皮皮blog
09-18 6万+
http://blog.csdn.net/pipisorry/article/details/52574156 衡量分类器的好坏 对于二类分类器/分类算法，评价指标主要有accuracy， [precision，recall，F-score，pr曲线]，ROC-AUC曲线，gini系数。 对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微...
机器学习进行回归任务的评价指标
weixin_57332529的博客
08-09 1129
在不同类型的回归任务中选择最合适的评价指标，需要根据具体任务的需求和数据的特性来决定
回归模型的四大评价指标
最新发布
u013172930的博客
09-03 201
判定系数，其含义是也是解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因变量的方差变化，值越小则说明效果越差。在许多模型中，如果X与Y相关，X可以说是”解释”了Y中的方差，即使X并不真正导致Y。在下面的例子中，Y的方差的80%是由于X，剩下的20%由其他的一些Error导致的。R方可以理解为因变量y中的变异性能能够被估计的多元回归方程解释的比例，它衡量各个自变量对因变量变动的解释程度，其取值在0与1之间，其值越接近1，则变量的解释程度就越高，其值越接近0，其解释程度就越弱。
机器学习回归模型评价指标
qq_38134556的博客
04-01 8408
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
回归模型的评估指标
CJW的博客
03-17 2402
回归模型的评估指标： RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficient of determination (决定系数R2)、 MAPE（平均绝对百分误差）、MSLE（均方根对数误差）等。 from sklearn.metrics import mean_squared_error # 均方根误差 from sklearn.metrics ...
回归模型评估指标
庐州月光的博客
05-12 3342
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...
回归模型的评价指标
m0_46926492的博客
06-14 3118
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.
机器学习中回归模型六大评价指标
dylan_young的博客
11-09 5056
文章目录一、机器学习中，回归问题的六大评价指标是什么？二、六大评价指标都代表什么含义？如何进行模型评价？总结引用文章链接： 一、机器学习中，回归问题的六大评价指标是什么？ 回归问题五大评价指标分别为 皮尔逊相关系数， 解释方差分数（explained_varience_score）， 平均绝对误差（mean_absolute_error）， 均方差(mean_square_error)， r2分数（r2_score） 和 调整r2分数（r2_score_adjust） 二、六大评价.
【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...
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
杨秀璋的专栏
07-03 4万+
前一篇文章讲述了数据分析部分，主要普及网络数据分析的基本概念，讲述数据分析流程和相关技术，同时详细讲解Python提供的若干第三方数据分析库，包括Numpy、Pandas、Matplotlib、Sklearn等。本文介绍回归模型的原理知识，包括线性回归、多项式回归和逻辑回归，并详细介绍Python Sklearn机器学习库的LinearRegression和LogisticRegression算法及回归分析实例。进入基础文章，希望对您有所帮助。
回归模型评价指标
Ling_Ze的博客
08-01 339
回归模型评价指标
回归模型评价指标：MSE、RMSE、MAE、R2 score
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】12种回归评价指标
fengdu78的博客
11-08 7541
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 9027
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
机器学习的回归评价指标
qq_39777550的博客
07-13 7804
回归评价指标 回归类算法的模型评估一直都是回归算法中的一个难点，但不像无监督学习算法中的轮廓系数等等评估指标，回归类与分类型算法的模型评估其实是相似的法则——找真实标签和预测值的差异。只不过在分类型算法中，这个差异只有一种角度来评判，那就是是否预测到了正确的分类，而在回归类算法中，有两种不同的角度来看待回归的效果： 第一，是否预测到了正确的数值。 第二，是否拟合到了足够的信息。 这两种角度，分别对应着不同的模型评估指标。 角度一、是否预测了正确的数值 回忆一下RSS残差平方和，它的本质是预测值与真实值之间的
回归算法优缺点评分模型评价
05-21
回归算法的优缺点： 优点： 1. 简单易懂：回归算法是一种较为简单的机器学习算法，易于理解和实现。 2. 可解释性强：回归算法能够提供模型预测结果的可解释性，方便分析和理解。 3. 适用范围广：回归算法适用于各种类型的数据，如连续型数据、分类型数据等。 4. 鲁棒性强：回归算法对于数据的噪声和异常值有一定的鲁棒性，能够比较好地处理这些情况。 缺点： 1. 对异常值敏感：回归算法对于异常值的敏感度较高，容易受到异常值的影响，导致预测结果不准确。 2. 过拟合问题：回归算法容易出现过拟合问题，需要进行特征选择和调参等操作来避免这种情况的发生。 3. 局限性较大：回归算法的模型形式较为固定，对于复杂的数据结构和特征之间的关系的建模能力有一定的局限性。 评分模型评价： 评分模型评价是指通过对模型预测结果与真实值之间的比较，对模型的性能进行评价和分析。评分模型评价的指标包括： 1. 均方误差（MSE）：用于衡量预测值与真实值之间的平均误差，数值越小表示预测结果越准确。 2. 均方根误差（RMSE）：MSE的平方根，用于衡量预测值与真实值之间的平均误差，与MSE具有相同的数值趋势。 3. 平均绝对误差（MAE）：用于衡量预测值与真实值之间的平均绝对误差，数值越小表示预测结果越准确。 4. 决定系数（R2）：用于衡量模型对数据的拟合程度，数值越接近1表示模型对数据的拟合程度越好。 通过对这些指标的评估，可以综合考虑模型预测结果的准确性、稳定性和拟合程度等方面的表现，为模型的改进和优化提供指导。
评论 2
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