衡量线性回归法的指标 MSE、RMS、MAE

最新推荐文章于 2024-04-23 17:24:37 发布
最新推荐文章于 2024-04-23 17:24:37 发布
阅读量960 收藏 1
点赞数
分类专栏： 机器学习 文章标签： 机器学习 python
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/Thumb_/article/details/109860866
版权

线性回归算法的评测

（1）首先给出三种指标的公式
均方误差 MSE(Mean Squared Error) :
在这里插入图片描述

均方根误差 RMSE (Root Mean Squared Error) :
在这里插入图片描述平均绝对误差 MAE(Mean Absolute Error) :
在这里插入图片描述
（2）下面具体编码实现一下这三种标准
在这里插入图片描述
若调用scikit-learn中的MSE、MAE ，结果与自己封装的函数一致
在这里插入图片描述
结果如下：在这里插入图片描述
其中使用到自己封装的函数如下，也可直接调用scikit-learn中的相关函数，与自己封装的结果一致。model_selection.py:
在这里插入图片描述
SLR.py:
在这里插入图片描述
metrics.py:
在这里插入图片描述

_卷心菜_
关注
专栏目录
线性回归算法（涉及最小二乘法、梯度下降法）
weixin_43800460的博客
03-30 1164
一、简单线性回归算法 1、优点： （1）解决回归问题 （2）思想简单，实现容易 （3）许多强大的非线性模型的基础 （4）结果具有很好的可解释性 （5）蕴含机器学习中的很多重要思想 2、什么是线性回归 （1）寻找一条直线，最大程度地拟合样本特征和样本输出标记之间的关系 （2）样本特征只有一个称为简单线性回归 （3）样本特征有多个称为多元线性回归 3、目标 （1）真值： （2）预测值： （3）目标...
5-5 衡量线性回归法的指标 MSE,RMS,MAE
u012370185的博客
08-21 1283
1. 衡量标准 平方误差 消除样本数量的影响(样本数越多,累计的误差就越大) 均方误差, MSE(mean squared error) 消除量纲的影响 均方根误差, RMSE(root mean squared error) 平均绝对误差, MAE(mean absolute error) 2. 实现 自己模仿sklearn的接口将这三种评价方式封装成类,放入到m...
RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）、SD（标准差）
qq_41861406的博客
08-24 3007
原文链接：https://blog.csdn.net/FrankieHello/article/details/82024526。通过平方的形式便于求导，所以常被用作线性回归的损失函数。MSE是真实值与预测值的差值的平方然后求和平均。常用来作为机器学习模型预测结果衡量的标准。可以更好地反映预测值误差的实际情况。衡量观测值与真实值之间的偏差。用于衡量一组数值的离散程度。是绝对误差的平均值。
机器学习9衡量线性回归法的指标，MSE,RMS,MAE
m0_57297999的博客
12-05 1504
衡量线性回归法的指标之一，就是这么一个衡量标准，让误差和尽可能小，但是这里有一个问题就是m的大小会对衡量造成影响，因此此处引入 MSE均方误差（Mean Squared Error）、 RSE均方误差（Root Mean Squared Error）、 平均绝对误差MAE（Mean Absolute Error） 在解决分类问题的时候，我们评价分类的准确度1代表最好0代表最差，取值在0-1之间；MSE RMSE MAE没有这样的性质，我们无法判断算法准确度的优劣，这就是以上三种方法的局限性；RSqua
RMS:均方根值，RMSE:均方根误差，MSE:标准差
weixin_30853329的博客
11-16 1232
1、均方根值（RMS），有时也称方均根、效值。英语写为:Root Mean Square（RMS）. 美国传统词典的定义为：The square root of the average of squares of a set of numbers. 即：将N个项的平方和除以N后开平方的结果，即均方根的结果。 #include <iostream>#...
RMS:均方根值，RMSE:均方根误差，MSE:标准差,定义及C++实现
满城风絮
04-01 2万+
1、均方根值（RMS），有时也称方均根、效值。英语写为:Root Mean Square（RMS）. 美国传统词典的定义为：The square root of the average of squares of a set of numbers. 即：将N个项的平方和除以N后开平方的结果，即均方根的结果。 #include #include "math.h
线性回归算法评估指标MSE、RMSE、MAE、R方
weixin_45137294的博客
04-01 8383
评价线性回归的指标有四种，均方误差（Mean Squared Error）、均方根误差（Root Mean Squared Error）、平均绝对值误差（Mean Absolute Error）以及R Squared方法 均方误差（Mean Squared Error） 测试数据实际值
白鲸算法(BWO)优化BP神经网络回归预测，BWO-BP回归预测，多变量输入模型 评价指标包括:R2、MAE、MSE、RMS
09-15
MAE（平均绝对误差）和MSE（均方误差）是评估预测误差的常用指标，它们分别计算了预测值与实际值之间平均绝对差和平方差。RMS（均方根）是MSE的平方根，提供了误差的标准偏差。MAPE（平均绝对百分比误差）则给出了...
遗传算法算法(GA)优化BP神经网络回归预测,GA-BP回归预测,多变量输入模型 评价指标包括:R2、MAE、MSE、RMS
09-15
3. MSE（均方误差）：MSE是预测误差平方的平均值，也是评估模型精度的一个指标，与MAE相比，MSE对异常值更敏感。 4. RMSE（均方根误差）：MSE的平方根，同样反映了模型的预测精度，数值越小表示模型越好。 5. MAPE...
scikit-learn实现回归问题的评估指标：MSE，MAE,，MAPE，RMSE,，R-Squared，SMAPE
Ma Sizhou
06-28 2万+
前言： 分类问题的评价指标是准确率，而回归问题的评价指标就是MAE, MAPE, MSE, RMSE, R2_Score，SMAPE这几种误差。 当然回归问题就是预测。现在假设： 在此基础上，先看看这几种误差具体的公式，想看scikit-learn实现，直接最后。 目录1、MSE 均方误差（Mean Square Error）2、RMSE 均方根误差（Root Mean Square Error)3、MAE 平均绝对误差（Mean Absolute Error)4、MAPE 平均绝对百分比误差（Mea.
方差（variance）、标准差（Standard Deviation）、均方差、均方根值（RMS）、均方误差（MSE）、均方根误差（RMSE）
热门推荐
Allure Love的博客
11-15 4万+
方差（variance)：衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。                        概率论中的方差表示方法 ：                        样本方差，无偏估计、无偏方差（unbiased variance）。...
统计参数一次撸个遍（RMS，MSE，RMSE,MAE,MAPE等）
raominping的专栏
09-30 566
技巧：按英文倒着来记忆 refer： Tutorial: Understanding Linear Regression and Regression Error Metrics word版本执行下载： https://download.csdn.net/download/raominping/26331276
【机器学习】线性回归法
Jackie035
08-13 762
线性回归法 目录 线性回归法 一.简单线性回归 二.最小二乘法 三.简单线性回归的实现 四.向量化 五.衡量线性回归法的指标 MSE,RMS,MAE 1、均方误差(MSE) 2、均方根误差(RMSE) 3、平均绝对误差(MAE) 六.最好的衡量线性回归法的指标 R Squared 七.多元线性回归和正规方程解 一.简单线性回归 二.最小二乘法 对b求偏...
统计指标：rms mse等
最新发布
try_trying_try的博客
04-23 163
标准差/均方差 /std ： (观测值均值-)： (观测值-模型值)均方根误差/RMSE。
模型评价指标
qq_37897059的博客
11-29 362
一：数据序列评价 1：均方根值（RMS）：一组测值序列的有效值。 公式： 2：方差（VAR）：反映随机变量与其数学期望的离散程度。 公式： 3：标准差（）：直接反映随机变量与其数学期望的离散程度，3准则。 公式： 二：回归模型评价 1：变异系数：（C.V）：消除单位和平均数不同对多个数据样本进行变异程度比...
机器学习——线性回归算法的衡量标准及评价：MSE、RMSE、MAE、R Square
Liuyt_61的博客
11-03 2883
对于回归算法的衡量 线性回归算法的目标是找到参数a和b，使得 ∑i=1m(yi train−axi train−b)2\displaystyle \sum^{m}_{i=1}(y^i~train - ax^i~train - b)^2i=1∑m​(yi train−axi train−b)2 尽可能小。 y^i test\hat y^i~testy...
【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 6791
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。
详解RMS
04-25 408
明天给我们组的小师弟讲一下rms存储，想想当年自己，今晚还是很认真地准备了一下，根据自己工作经验和理解整理一下，在这里分享一下。 RMS(Record Management System)是MIDP中一个非常重要的子系统，因为它是J2ME应用程序进行持久性存储的唯一途径。当然你的系统如果支持...
用python实现用线性回归对波士顿房价预测，评估指标为MSE，MAE，R2
05-25
好的，下面是实现的代码。 首先，我们需要导入所需的库和数据集： ```python import numpy as np from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 加载波士顿房价数据集 boston = load_boston() X = boston.data y = boston.target # 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 然后，我们使用线性回归模型对训练数据进行拟合，并预测测试数据的房价： ```python # 使用线性回归模型对训练数据进行拟合 lr = LinearRegression() lr.fit(X_train, y_train) # 预测测试数据的房价 y_pred = lr.predict(X_test) ``` 最后，我们使用三个评估指标（MSE，MAE和R2）来评估模型的性能： ```python # 计算MSE（均方误差） mse = mean_squared_error(y_test, y_pred) print("MSE: ", mse) # 计算MAE（平均绝对误差） mae = mean_absolute_error(y_test, y_pred) print("MAE: ", mae) # 计算R2（决定系数） r2 = r2_score(y_test, y_pred) print("R2: ", r2) ``` 完整代码如下： ```python import numpy as np from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 加载波士顿房价数据集 boston = load_boston() X = boston.data y = boston.target # 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 使用线性回归模型对训练数据进行拟合 lr = LinearRegression() lr.fit(X_train, y_train) # 预测测试数据的房价 y_pred = lr.predict(X_test) # 计算MSE（均方误差） mse = mean_squared_error(y_test, y_pred) print("MSE: ", mse) # 计算MAE（平均绝对误差） mae = mean_absolute_error(y_test, y_pred) print("MAE: ", mae) # 计算R2（决定系数） r2 = r2_score(y_test, y_pred) print("R2: ", r2) ``` 输出结果如下： ``` MSE: 24.29111947497371 MAE: 3.189091965887853 R2: 0.6687594935356313 ``` 这意味着我们的模型的平均预测误差约为3.19，R2评分为0.67，这表明模型对数据的解释力还可以，但仍有改进的空间。
评论
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