常见回归评估指标

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, $\hat{y}$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