1 . 解释方差分(explained_variance_score)
explained_variance_score:解释方差分,这个指标用来衡量我们模型对数据集波动的解释程度,如果取值为1时,模型就完美,越小效果就越差.
e x p l a i n e d _ v a r i a n c e ( y , y ^ ) = 1 − V a r { y − y ^ } V a r { y } explained\_variance(y,\hat{y}) = 1 - \frac{Var\{y - \hat{y}\}}{Var\{y\}} explained_variance(y,y^)=1−Var{ y}Var{ y−y^}
其中y是真实值, y ^ \hat{y} y^是预测值, var是方差
from sklearn.metrics import explained_variance_score
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0, 2, 8]
explained_variance_score(y_true, y_pred)
# 多维的y值可以通过multioutput控制输出的得分维度.
y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
# 原始维度一个维度算一个得分
explained_variance_score(y_true, y_pred, multioutput='raw_values')
# 最终得分的比例
explained_variance_score(y_true, y_pred, multioutput=[0.3, 0.7])
2. Mean absolute error(平均绝对误差)
M A E ( y , y ^ ) = 1 n s a m p l e s ∑ i = 0 n s