Sklearn机器学习（3）——各种指标评价

Python Sklearn.metrics

无论利用机器学习算法进行回归、分类或者聚类时，评价指标，即检验机器学习模型效果的定量指标，都是一个不可避免且十分重要的问题。因此，结合scikit-learn主页上的介绍，以及网上大神整理的一些资料，对常用的评价指标及其实现、应用进行简单介绍。

调用方法

有两种调用方式

方式一：

from sklearn.metrics import 评价指标函数名称

例如：

from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

调用方式为：直接使用函数名调用

方式二：

from sklearn import metrics

调用方式为：metrics.评价指标函数名称（parameter）

指标函数

简介

简单介绍
详细介绍
官网介绍

MSE

均方误差（Mean Square Error）
$$MSE=\frac{1}{n}\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2$$范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。

from sklearn.metrics import mean_squared_error  # 均方误差
mse = mean_squared_error(y_test, y_pre)

RMSE

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。
R M S E = 1 n ∑ i = 1 n ( y ^ i − y i ) 2 \mathit RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^n (\hat y_i-y_i)^2}