【机器学习技巧】回归模型的几个常用评估指标（R2、Adjusted-R2、MSE、RMSE、MAE、MAPE）及其在sklearn中的调用方式

已于 2022-11-21 12:02:51 修改
阅读量1.5w 收藏 99
点赞数 12
分类专栏： 机器学习知识点 文章标签： sklearn 回归 回归模型评估 python
于 2022-11-21 11:45:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42589613/article/details/127961436
版权

目录

回归模型评估的两个方面

回归模型的评估主要有以下两个方面：

1. 预测值的拟合程度

拟合程度就是我们的预测值是否拟合了足够的信息。在回归模型中，我们经常使用决定系数R2来进行度量。

2. 预测值的准确度

准确度指预测值与实际真实值之间的差异大小。常用均方误差（Mean Squared Error, MSE）,平均绝对误差（Mean Absolute Error, MAE）,平均绝对百分比误差MAPE来度量。

下面我们对这几个评估指标进行介绍，以及其在sklearn中如何使用。

以糖尿病数据集的回归模型为计算示例-计算各指标

# 导入线性回归器算法模型
from sklearn.linear_model import LinearRegression 
import numpy as np
#糖尿病数据集 ，训练一个回归模型来预测糖尿病进展
from sklearn import datasets
dia = datasets.load_diabetes()
# 提取特征数据和标签数据
data = dia.data
target = dia.target
# 训练样本和测试样本的分离，测试集20%
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(data,target,test_size=0.2)
# 创建线性回归模型
linear = LinearRegression()
# 用linear模型来训练数据:训练的过程是把x_train 和y_train带入公式W = (X^X)-1X^TY求出回归系数W
linear.fit(x_train,y_train)
# 对测试数据预测
y_pre = linear.predict(x_test)

1. 决定系数R2

R2( Coefficient of determination)：决定系数，反映的是模型的拟合程度，R2的范围是0到1。其值越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好。

在这里插入图片描述

1.1 R2求解方式一----从metrics调用r2_socre

from sklearn.metrics import r2_score
r2 = r2_score(y_true=y_test,y_pred=y_pre)
r2

0.5439247940652986

1.2 R2求解方式二----从模型调用score

r2 = linear.score(x_test,y_test)
r2

0.5439247940652986

1.3 R2求解方式二----交叉验证调用scoring=r2

from sklearn.model_selection import cross_val_score
r2 = cross_val_score(linear,x_test,y_test,cv=10,scoring="r2").mean()  # 求的值n次交叉验证后r2的均值
r2

0.3803655235719364

2. 校准决定系数Adjusted-R2

校正决定系数是指决定系数R可以用来评价回归方程的优劣，但随着自变量个数的增加，R2将不断增大。Adjusted-R2主要目的是为了抵消样本数量对R2的影响。

在这里插入图片描述

其中，n为样本数量，p为特征数量。即样本为n个[ x1, x2, x3, … , xp, y ]。取值也是越接近1越好。

n, p = x_test.shape
adjusted_r2 = 1 - ((1 - r2) * (n - 1)) / (n - p - 1)
adjusted_r2

0.300925206081159

3.均方误差MSE（Mean Square Error）

均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差

在这里插入图片描述

from sklearn.metrics import mean_squared_error
mean_squared_error(y_test,y_pre)#y_test为实际值，y_pre为预测值

2658.8312775325517

4.均方根误差RMSE（Root Mean Square Error）

均方根误差（Root Mean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差

在这里插入图片描述

from sklearn.metrics import mean_squared_error
np.sqrt(mean_squared_error(y_test,y_pre))#y_test为实际值，y_pre为预测值

51.563856309750065

5.平均绝对误差MAE（Mean Absolute Error）

平均绝对误差（Mean Absolute Error, MAE）：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

在这里插入图片描述

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test,y_pre)#y_test为实际值，y_pre为预测值

42.09538057884898

6. 平均绝对百分比误差MAPE（Mean Absolute Percentage Error）

平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）：是相对误差度量值，它使用绝对值来避免正误差和负误差相互抵消，可以使用相对误差来比较各种时间序列模型预测的准确性。理论上，MAPE 的值越小，说明预测模型拟合效果越好，具有更好的精确度。

在这里插入图片描述

from sklearn.metrics import mean_absolute_percentage_error
mean_absolute_percentage_error(y_test,y_pre)#y_test为实际值，y_pre为预测值

0.4062288709549193

如果内容对你有帮助，感谢点赞+关注哦！

更多干货内容持续更新中…

回归算法的评估指标
qq_40379132的博客
08-11 7659
回归算法：对历史数据进行拟合，形成拟合方程。接下来使用该方程对新数据进行预测。下图中红线表示的是一元数据的拟合方程，如果数据是二元数据，那么它的拟合方程就是一个拟合平面，对于更高维的数据，它的拟合方程将更加复杂。​对于回归算法，我们评价它的好坏，就是看它的预测结果与我们的真实结果的差异大小。在回归算法中，我们最常用的四种评估指标分别是：平均绝对值误差，均方误差，均方根误差，可决系数。..................
机器学习模型性能评价指标
weixin_44815633的博客
03-18 290
作者 Hanyu Mei MAE=1m∑i=1m∣y^i−yi∣MAE=\frac{1}{m}\sum_{i=1}^{m}\left|\widehat{y}_{i}-y_{i}\right|MAE=m1​∑i=1m​∣y​i​−yi​∣ MAPE=1m∑i=1m∣y^i−yiyi∣MAPE=\frac{1}{m}\sum_{i=1}^{m}\left|\frac{\widehat{y}_{i}-...
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 1万+
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。误差越大，该值越大。所以要想决定系数R2越接近1，必须满足MSE越小，也就是真实值与预测值相差不大，也就是模型拟合程度高，同时var方差越大，也就是我们的样本离散程度大，对应的我们实际采样过程中，就是要求样本是随机性，以及全面性，覆盖度广。方差(variance)的计算公式：S2=1/n [(x1-X)2+(x2-X)2+(x3-X)2+…
【机器学习】回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、RMSEC、RMSEP、Rc、Rp、R2、RPD(随时补充 源码示例 简单实现)
Next_SummerAgain的博客
03-22 1万+
回归算法评估指标全总结(2023最新整理)关键词：MAE、MSE、RMSE、R2
【scikit-learn】sklearn.metrics.mean_absolute_percentage_error() 函数：回归模型评估指标 平均绝对百分比误差（MAPE）
最新发布
彬彬侠的博客
03-15 799
mean_absolute_percentage_error（MAPE，平均绝对百分比误差）是sklearn.metrics提供的一个回归模型评估指标，用于计算预测值相对于真实值的平均绝对百分比误差。适用于衡量误差的相对大小，但不适用于真实值可能为0的情况。可与MAE、MSE、RMSE、R²结合使用，以更全面评估模型。
性能度量 | 回归模型的评估指标
大虎牙的博客
05-15 610
回归模型的评估指标 1.1 平均绝对误差 MAE(Mean_absolute_error) 平均绝对误差即预测点与真实点之间距离之差的绝对值的平均值，又被称为 L1范数损失。 from sklearn.metrics import mean_absolute_error y_true = [[0.5,1],[-1,1],[7,-6]] y_pred = [[0,2],[-1,2],[8,-5]] mean_absolute_error(y_true,y_pred) 输出： 1.2 均方误差 MSE
回归模型评估指标
红色石头的专栏
10-24 1636
引言在机器学习中，回归模型用于预测连续数值，例如房价、温度或销售额。构建一个回归模型后，评估其性能至关重要。如何判断模型预测的准确性和可靠性？这就需要用到回归模型的评估指标。1. 常见的回归模型评估指标1.1 均方误差 (MSE)均方误差 (Mean Squared Error) 是最常用的回归模型评估指标之一，它计算模型预测值与真实值之间差异的平方的平均值。公式如下：其中：是真实值。是预测值。是...
机器学习系列——（十六）回归模型的评估
飞影铠甲的博客
02-07 1445
机器学习
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
weixin_63522758的博客
03-26 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。它的含义就是，既然不同数据集的量纲不同，很难通过上面的三种方式去比较，那么不妨找一个第三者作为参照，根据参照计算 R方值，就可以比较模型的好坏了。这个参照是什么呢，就是均值模型。
回归模型评价指标
Ling_Ze的博客
08-01 367
回归模型评价指标
机器学习模型，评估指标之回归模型---公式+优缺点+代码
AIYA_aya的博客
07-14 8398
机器学习模型评价指标大概有 1、回归的：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficient of determination (决定系数R2)、 MAPE（平均绝对百分误差）、MSLE（均方根对数误差）等。 2、分类的：混淆矩阵、精确率、召回率、准确率、F1值、ROC-AUC 、PRC、G-MEAN等。 3、聚类的：兰德指数、互信息、轮廓系数等。 ...
机器学习进行回归任务的评价指标
weixin_57332529的博客
08-09 1477
在不同类型的回归任务中选择最合适的评价指标，需要根据具体任务的需求和数据的特性来决定
机器学习——常用的回归模型性能评价指标
LL20246033的博客
02-22 6258
对于回归而言，更注重的是模型拟合的曲线，相对于真实曲线的误差。主要包括：拟合优度/R-Squared，校正决定系数(Adjusted R-square)，均方误差（MSE），均方根误差（RMSE），误差平方和(SSE)，平均绝对误差（MAE），平均绝对百分比误差(MAPE)。 1、均方误差（MSE） 均方误差是指：观测值与真值偏差的平方和与观测次数的比值 公式： MSE相当于模型中的损失函数，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以用它来比较。MSE可以评价模型的预测精度，MSE的值越
回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）
热门推荐
y15659037739l的博客
04-05 2万+
1、平均绝对误差（Mean Absolute Error, MAE）：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 2、均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差 3、均方根误差（RootMean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差 4、 ...
回归模型的评估指标
iMonster
07-14 2万+
回归模型评估有三种方法，分别是：平均绝对值误差、均方误差和R平方值，如表1所示： 指标 描述 metrics方法 Mean Absolute Error(MAE) 平均绝对误差 from sklearn.metrics import mean_absolute_error Mean Square Error(MSE) 平均方差 from sklearn...
常用统计学评价指标（一）R2
weixin_43335351的博客
05-04 7401
回归模型评价指标：MSE、RMSE、MAE、R2 score
weixin_43752304的博客
02-15 1万+
回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE(平均绝对误差)、MSE(平均平方误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏，这就需要用到R2_score。提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
MAE MSE RMSE 判断回归模型
07-27
回答: 在回归模型中，我们可以使用MAE（平均绝对误差），MSE（均方误差）和RMSE（均方根误差）来评估模型的性能。MAE是预测值与实际值之间差值的绝对值的平均值，MSE是预测值与实际值之间差值的平方的平均值，而RMSE是MSE的平方根。\[1\]通常情况下，我们希望这些误差越小越好，因为它们表示了模型的预测与实际值之间的差异程度。因此，当我们比较不同的回归模型时，我们可以使用这些指标来判断模型的好坏。如果MAE、MSE和RMSE都较小，那么我们可以认为该回归模型较好。\[1\]此外，我们还可以使用残差图来评估回归模型的适用性。如果数据点在没有图案的线上随机分布，那么线性回归模型非常适合数据，否则我们应该考虑使用非线性模型。\[2\] #### 引用[.reference_title] - *1* *2* [回归问题的评价指标 MAE MSE RMSE R2 score Adjusted R2 score 和 重要知识点总结](https://blog.csdn.net/HzauTriste/article/details/127562028)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）](https://blog.csdn.net/y15659037739l/article/details/123971286)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿_旭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值