线性回归实现及线性回归中衡量算法模型的标准(R-Squared,MSE.RMSE,MAE)

最新推荐文章于 2024-07-27 08:18:41 发布
最新推荐文章于 2024-07-27 08:18:41 发布
阅读量5k 收藏 11
点赞数 3
分类专栏： 机器学习 文章标签： 线性回归 衡量模型标准
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/ayangann915/article/details/81171677
版权
本文介绍了线性回归模型的评估标准，包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）以及决定系数（R-Squared）。通过波士顿房产数据集，阐述了这些指标的计算方法，并封装了自定义的评测函数。同时，讨论了scikit-learn库中如何使用这些指标，并在自定义的SimpleRegression类中实现了score方法来获取R-Squared值。
摘要由CSDN通过智能技术生成

MSE:均方误差，mean_squared_error
RMSE：均方根误差，root_mean_squared_error
MAE：平均绝对误差，mean_absolute_error

05 衡量回归算法的标准，MSE vs MAE

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

波士顿房产数据

boston = datasets.load_boston()
boston.keys()
dict_keys(['data', 'target', 'feature_names', 'DESCR'])

特征向量名称：

boston.feature_names
array(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD',
       'TAX', 'PTRATIO', 'B', 'LSTAT'], 
      dtype='<U7')
x = boston.data[:,5] # 只使用房间数量这个特征,所有行，第五列
x.shape
(506,)
y = boston.target
y.shape
(506,)
plt.scatter(x, y)
plt.show()

这里写图片描述

np.max(y)
50.0
x = x[y < 50.0]#采用最大值的点可能不是真实的点
y = y[y < 50.0]
x.shape
(490,)
y.shape
(490,)
plt.scatter(x, y)
plt.show()
最低0.47元/天 解锁文章
annyangya
关注
  • 3
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation（标准差）
菜鸟进阶
03-15 2万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍： 1、均方误差（MSE） MSE （Mean Squared Error）叫做均方误差，是反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量，(θ-t)2的数学期望，称为估计量t的均方误差。它等于σ2+b2，其中σ2...
预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE
12-21
MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean Squared Error, MSE） 误差越大，该值越大。 SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。 3.均方根误差（Root Mean Square Error, RMSE） 是MSE的算数平均根 误差越大，该值越大。 4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE） 注意：当真实值有数据等
【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 5532
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。
R平方值 (R-Squared)
最新发布
大连赵哥的博客
07-27 747
R平方值 (R-Squared)
【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 7943
回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、R2
线性回归评价几个指标（MAE，MSE，RMSE，R^2，MAPE）
SpinMeRound的博客
09-18 1万+
Python–线性回归评价指标实现 一、项目背景 （可不看） 最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。 现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–>营业人员经验修正–>客户需求生成。 面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。 修正办法：
【线性回归算法】{3} ——衡量线性回归算法的指标MSE、RMSE、MAE和R Squared
Giyn
03-28 1996
此处介绍三种线性回归算法的衡量指标。 第一种：MSE（均方误差） 第二种：RMSE（均方根误差） 使用RMSE，采用同样的量纲的话，误差背后的意义更加明显。 量纲，又叫作因次，是表示一个物理量由基本量组成的情况。确定若干个基本量后，每个导出量都可以表示为基本量的幂的乘积的形式。引入量纲这一概念可以进行量纲分析，这既是物理学的基础，又有着很多重要应用。——维基百科 第三种：MAE（平均绝对...
matlab mse mae,回归评价指标MSE、RMSE、MAE、R-Squared
weixin_29002191的博客
03-18 3955
前言分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍均方误差(MSE)MSE (Mean Squared Error)叫做均方误差。看公式image.png这里的y是测试集上的。用 真实值-预测值 然后平方之后求和平均。猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就是让这个损失函...
回归评价指标---MSE、RMSE、MAE、R-Squared
dili8870的博客
02-21 8315
　　分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。 　　MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE； 　　RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，d...
基本概念--MAE、MSE和RMSE
weixin_43894340的博客
11-29 1万+
回归算法中常用的评价指标：MAE、MSE和RMSE 1.MAE（Mean Absolute Error：平均绝对误差） 其中，表示真实值，表示预测值 2.MSE（Mean Square Error:均方误差） 3.RMSE（Root Mean Square Error:均方根误差） ...
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 1485
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
scikit-learn 线性回归模型的score函数，返回值是决定系数R^2
春卷同学的博客
09-11 3万+
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression http://scikit-learn.org/stable/modules/generated/sklearn.metrics.r2_s...
回归模型几个度量参数概念比较
neweastsun的专栏
02-02 3683
回归模型几个度量参数概念比较 本文我们介绍几个常用回归模型度量参数，分别对比它们之间的差异和应用场景。 回归模型常用于量化一个或多个预测变量与响应变量之间的关系。当拟合回归模型时，我们需要了解预测变量预测响应变量的程度。常用指标有：mean squared error (MSE) 和 the root mean squared error (RMSE)，另外还包括R-Squared。 MSE(均方误差) 判定预测模型的准确度的常用方法是均方差MSE( mean squared error)。计算公示为：
线性回归模型详解
TSzero的博客
05-13 7173
一、简介  线性回归模型是一种很常见、很常用的模型，下面我们简单介绍一下。 二、介绍 2.1 模型  线性回归模型的表达式为：Y=Xβ+ε(1)Y = X\beta + \varepsilon\tag1Y=Xβ+ε(1) 其中，Y=(y1,y2,⋯ ,yn)TY = (y_1, y_2, \cdots, y_n)^TY=(y1​,y2​,⋯,yn​)T, β=(β0,β1,⋯ ,βp−1)T\beta=(\beta_0, \beta_1, \cdots, \beta_{p-1})^Tβ=(β0​,β1​,⋯
线性回归统计指标 SSE、MSE、RMSE、MAE、R-square
樱花落瓣
07-10 1万+
文章目录@[toc]一、SSE(和方差)二、MSE(均方差)三、RMSE(均方根)四、MAE(平均绝对误差)五、R-square(确定系数) SSE(和方差、误差平方和)：The sum of squares dueto error MSE(均方差、方差)：Meansquared error RMSE(均方根、标准差)：Root mean squared error R-square(确定系数)...
多元线性回归模型精度提升的两种经典方法 -- 虚拟变量&方差膨胀因子
阅读从未停止，输出从未开始
05-28 9998
原理简单，实现优雅，效果拔群
七、回归——回归预测的评价指标（附python代码）
热门推荐
Nicole的博客
06-15 3万+
目录 一、常用的评价指标 1、SSE(误差平方和) 2、R-square(决定系数) 3、Adjusted R-Square (校正决定系数） 二、python中的sklearn.metrics （1）explained_variance_score(解释方差分) （2）Mean absolute error（平均绝对误差） （3）Mean squared error（均方误...
python中如何快速获得模型的MSE,RMSE,MAE,R-Squared
06-04
在Python中，可以使用scikit-learn库中的mean_squared_error、mean_absolute_error、r2_score函数来计算模型的MSE、MAE和R-Squared。同时，也可以使用numpy库中的sqrt函数来计算RMSE。 具体实现如下： ```python ...
评论 7
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