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

最新推荐文章于 2025-03-19 15:20:13 发布

宇灵梦

最新推荐文章于 2025-03-19 15:20:13 发布

阅读量1.7w

点赞数 15

分类专栏：指标评价文章标签： python 机器学习逻辑回归人工智能

本文链接：https://blog.csdn.net/holal/article/details/106519553

版权

指标评价专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了回归分析中常用的评价指标，包括MSE、RMSE、MAE、MAPE和R2-score，通过Python代码实例展示了如何计算这些指标，帮助读者深入理解模型评估方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

利用python语言对回归指标进行简要讲解。

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