回归评估指标：MSE、R2

鲨鱼辣椒不吃辣c

已于 2023-09-09 21:05:39 修改

阅读量4.7k

点赞数

文章标签：回归数据挖掘人工智能

于 2020-10-25 22:26:12 首次发布

本文链接：https://blog.csdn.net/maple05/article/details/109280023

版权

本文介绍了如何使用均方误差(MSE)、均方根误差(RMSE)和R²分数来评估机器学习中回归任务的预测性能。通过具体示例展示了这些指标的计算方法，并解释了它们的意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

${y_{i}}$ :原数据标签

$\hat{y_{i}}$ :预测结果

$\bar{y_{i}}$ ：平均值

1、均方误差：MSE（Mean Squared Error）：

2、均方根误差：RMSE

对MSE开平方

3、R2（R-Square）：

注：R2一般取（0,1），0表示拟合效果不好。如果出现负值，首先考虑数据集是否有问题，如果是集成模型，考虑若学习模型是否不足。

代码实现：

from sklearn.metrics import mean_squared_error  # 均方误差
from sklearn.metrics import r2_score  # R square

print("均方误差 MSE= ", mean_squared_error(y_test, y_pred))  # 均方误差MSE
print("均方根误差 RMSE= ", sqrt(mean_squared_error(y_test, y_pred)))  # 均方根误差 RMSE
print("R^2= ", r2_score(y_test, y_pred))  # r2

关注博主即可阅读全文