回归指标评价定义及代码（MSE，RMSE，MAE，MAPE，R2-score）

利用python语言对回归指标进行简要讲解。

目录

MSE

RMSE

MAE

MAPE

R2-score

代码

---

• MSE

• 定义：MSE（均方误差）函数一般用来检测模型的预测值和真实值之间的偏差。MSE是真实值与预测值的差值的平方然后求和平均。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。

• RMSE

• 定义：RMSE（均方根误差）在MSE的基础上做平方根衡量观测值与真实值之间的偏差。常用来作为机器学习模型预测结果衡量的标准。

• MAE

• 定义：MAE（Mean Absolute Error）平均绝对误差。是绝对误差的平均值。可以更好地反映预测值误差的实际情况。

• MAPE

• 定义：MAPE（平均绝对百分比误差）MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。

• R2-score

• 定义：即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。

• 代码

  # coding=utf-8
  import numpy as np
  from sklearn import metrics
  
  # MAPE需要自己实现
  def mape(y_true, y_pred):
      return np.mean(np.abs((y_pred - y_true) / y_true))
  
  y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
  y_pred = np.array([1.0, 4.5, 3.8, 3.2, 3.0, 4.8, -2.2])
  
  
  print('MSE:',metrics.mean_squared_error(y_true, y_pred))
  
  print('RMSE:',np.sqrt(metrics.mean_squared_error(y_true, y_pred)))
  
  print('MAE:',metrics.mean_absolute_error(y_true, y_pred))
  
  print('MAPE:',mape(y_true, y_pred))
  
  ## R2-score
  from sklearn.metrics import r2_score
  y_true = [3, -0.5, 2, 7]
  y_pred = [2.5, 0.0, 2, 8]
  print('R2-score:',r2_score(y_true, y_pred))

  MSE: 0.2871428571428571
  RMSE: 0.5358571238146014
  MAE: 0.4142857142857143
  MAPE: 0.1461904761904762
  R2-score: 0.9486081370449679