【机器学习】回归模型评价指标

相洋同学

已于 2024-03-16 15:12:23 修改

阅读量1.5k

点赞数

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

本文链接：https://blog.csdn.net/cxy819394/article/details/135963152

版权

人工智能之机器学习篇专栏收录该内容

6 篇文章 0 订阅

订阅专栏

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！

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

当 $R^{2}$ =0或接近0时，相当于取平均值的效果
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
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