机器学习——性能度量_回归

最新推荐文章于 2024-01-15 11:43:12 发布

WJWFighting

最新推荐文章于 2024-01-15 11:43:12 发布

阅读量563

点赞数

分类专栏：机器学习文章标签：性能度量回归

本文链接：https://blog.csdn.net/WJWFighting/article/details/82389464

版权

回归预测误差的绝对值的平均值（mae），回归预测误差的平方的平均值（mse）

from sklearn.metrics import mean_absolute_error,mean_squared_error,r2_score

def test_mean_absolute_error():
    y_true=[1,1,1,1,1,2,2,2,0,0]
    y_pred=[0,0,0,1,1,1,0,0,0,0]
    
    print('Mean Absolute Error:',mean_absolute_error(y_true,y_pred))
test_mean_absolute_error()

def test_mean_squared_error():
    y_true=[1,1,1,1,1,2,2,2,0,0]
    y_pred=[0,0,0,1,1,1,0,0,0,0]
    
    print('Mean Absolute Error:',mean_absolute_error(y_true,y_pred))
    print('Mean Square Error:',mean_squared_error(y_true,y_pred))
test_mean_squared_error()

SSE=sum((y_actual-y_predict)^2)
同样的数据集情况下，SSE越小，误差越小，模型效果越好
缺点：SSE数值大小本身没有意义，随着样本的增加，sse必然增加
也就是说，不同的数据集的情况下，sse比较没有意义

r^2=1-(sum( (y_actual-Y_predict)^2)/sum((Y_actual-Y_mean)^2))