metrics误差函数（sklearn库）

方如一

已于 2022-03-24 10:33:24 修改

阅读量9.2k

点赞数 7

分类专栏： sklearn库文章标签： python

于 2022-03-22 22:03:53 首次发布

本文链接：https://blog.csdn.net/Fwuyi/article/details/123671316

版权

sklearn库专栏收录该内容

2 篇文章 2 订阅

订阅专栏

回归模型性能评价指标主要有：MSE（均方误差）、RMSE(均方根差)、MAE(平均绝对误差)、R2_score

1 MSE(均方误差)

MSE=metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)

y_true：真实值；

y_pred：预测值；

sample_weight：权值默认为1；

multioutput：默认为’uniform_average’，即计算所有元素的均方误差，返回为一个标量。

均方误差是指n个预测数据y和真实数据x对应点误差的平方和的均值，因此MSE公式如下：

$MSE=\frac{1}{n} \left ( w_{i} \sum_{i=1}^{n}(x_{i}-y_{i})^{2}\right )$

wi是每个数据点的权值，一般默认为1。

from sklearn.metrics import mean_squared_error
y_true = [3, -1, 2, 7]
y_pred = [2, 0.0, 2, 8]
MSE=mean_squared_error(y_true, y_pred)
print(MSE)
#Out：0.75

$MSE=\frac{1}{4} \left ((3-2)^{2}+(-1-0)^{2}+(2-2)^{2}+(7-8)^{2}\right )=\frac{3}{4}=0.75$

from sklearn.metrics import mean_squared_error
y_true = [[0.5, 1],[-1, 1],[7, -6]]
y_pred = [[0, 2],[-1, 2],[8, -5]]
MSE=mean_squared_error(y_true, y_pred)
print(MSE)
#Out：0.7083333333333334

$MSE=\frac{1}{6} \left ((0.5-0)^{2}+(1-2)^{2}+(-1+1))^{2}+(1-2)^{2}+(7-8)^{2}+(-6+5)^{2}\right )=\frac{4.25}{6}=0.708333333$

2 RMSE(均方根误差)

均方根误差是对均方误差开根号，因此RMSE代码和公式如下：

RMSE=metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)**0.5

$RMSE=\sqrt{MSE}=\sqrt{\frac{1}{n} \left ( w_{i} \sum_{i=1}^{n}(x_{i}-y_{i})^{2}\right )}$

wi是每个数据点的权值，一般默认为1。

from sklearn.metrics import mean_squared_error
y_true = [3, -1, 2, 7]
y_pred = [2, 0.0, 2, 8]
RMSE=mean_squared_error(y_true, y_pred)**0.5
print(RMSE)
#Out：0.8660254037844386

均方根误差和均方误差其实实质是一样的，但可以用于数据更好的描述。例如，做房价预测时每平方是万元，预测结果也是万元。但是差值的平方应该是千万，那模型误差的单位也是千万，为了避免这种描述，对误差开平方使误差与数据的单位是同一级别。

3 MAE(平均绝对误差)

MSE=metrics.mean_absolute_error(y_true, y_pred)

平均绝对误差是指n个预测数据y和真实数据x对应点误差的绝对值的均值，因此MAE公式如下：

$MAE=\frac{1}{n} \left ( w_{i} \sum_{i=1}^{n}\left | (x_{i}-y_{i}) \right |\right )$

wi是每个数据点的权值，一般默认为1。

from sklearn.metrics import mean_absolute_error
y_true = [3, -1, 2, 7]
y_pred = [2, 0.0, 2, 8]
MAE=mean_absolute_error(y_true, y_pred)
print(MAE)
#Out：0.75

$MSE=\frac{1}{4} \left (|3-2|+|-1-0|+|2-2|+|7-8|\right )=\frac{3}{4}=0.75$

4 r2(决定系数)

上面的几种标准会受到量纲大小的影响，比如说，A模型中量纲是1000，而B模型中量纲是1，相对于模型B，A模型中RMSE很可能会更大，但这不能说明A模型的回归能力就比B模型差。那么上面的几种标准的数据就没有什么可读性。因此用决定系数（coefficient of determination）来作为衡量拟合程度的标准。

r2_score=metrics.r2_score(y_true, y_pred) #决定系数

决定系数是指回归平方和SSR与总平方和之比，不同于之前的指标只需要n个预测数据y和真实数据x，学习决定系数需要引入三个数学概念，并用x表示真实数据，用 $\bar{x}$ 表示真实观测值的平均值，用y表示预测数据，则

回归平方和：(Sum of Squares for regression，SSR)即预测值与平均值的误差

$SSR=\sum_{i=1}^{n}(y_{i}-\bar{x_{i}})^{2}$

总平方和：(Sum of Squares for total，SST)即真实值与平均值的误差，该误差可分为两部分，一部分是用训练出的模型预测的误差SSR，另一部分是模型本身带来的误差RSS

$SST=\sum_{i=1}^{n}(x_{i}-\bar{x_{i}})^{2}$

决定系数：r2是回归平方和SSR与总平方和SST之比

$r^{2}=\frac{SSR}{SST}=\frac{\sum_{i=1}^{n}(y_{i}-\bar{x_{i}})^{2}}{\sum_{i=1}^{n}(x_{i}-\bar{x_{i}})^{2}}$

SSR是我们训练出的模型预测的所有误差；SST是不管模型数据本身的误差。因此r2是0说明训练出的模型相当于瞎猜的，如果r2是1说明模型非常好无错误，如果r2是0-1之间的数说明模型的好坏程度，如果r2是负数说明训练出的模型还不如瞎猜的。

备用公式：

$RSS=\sum_{i=1}^{n}(x_{i}-y_{i})^{2}$

$SST=\sum_{i=1}^{n}(x_{i}-\bar{x_{i}})^{2}=\sum_{i=1}^{n}(x_{i}-y_{i})^{2}+\sum_{i=1}^{n}(y_{i}-\bar{x_{i}})^{2}$

$r^{2}=\frac{\sum_{i=1}^{n}(y_{i}-\bar{x_{i}})^{2}}{\sum_{i=1}^{n}(x_{i}-y_{i})^{2}+\sum_{i=1}^{n}(y_{i}-\bar{x_{i}})^{2}}=1-\frac{\sum_{i=1}^{n}(x_{i}-y_{i})^{2}}{\sum_{i=1}^{n}(x_{i}-\bar{x_{i}})^{2}}=1-\frac{RSS}{SST}=1-\frac{\sum_{i=1}^{n}(x_{i}-y_{i})^{2}/n}{\sum_{i=1}^{n}(x_{i}-\bar{x_{i}})^{2}/n}=1-\frac{MSE}{V_{ar}}$

方如一

关注

7
点赞
踩
53

收藏

觉得还不错? 一键收藏
1
评论
metrics误差函数（sklearn库）

1 MSE(均方误差)MSE=metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)y_true：真实值；y_pred：预测值；sample_weight：权值默认为1；multioutput：默认为’uniform_average’，即计算所有元素的均方误差，返回为一个标量。均方误差是指n个预测数据y和真实数据x对应点误差的平方和的均值，因此MSE公
复制链接

扫一扫