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
MSE
均方误差(Mean Square Error)
M S E = 1 n ∑ i = 1 n ( y ^ i − y i ) 2 \mathit MSE = \frac{1}{n} \sum_{i=1}^n (\hat y_i-y_i)^2 MSE=n1i=1∑n(y^i−yi)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}