概述
前三章主要介绍了机器学习分类模型评估-准确率(accuracy)、精确率(Precision)、查准类、召回率(Recall)、查全率、ROC曲线、F值(F-Measure)、AUC、P-R曲线,本节介绍机器学习回归模型评价指标-MAE, MSE, MAPE及代码实现。对于回归预测结果,通常会有平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(MSE)等多个指标进行评价。这里,我们先介绍最常用的3个。
以下所有公式,
![40eea38713317989ddbc3ff06872fec1.png](https://i-blog.csdnimg.cn/blog_migrate/04eaec767a1b880f5bc1629f057d67a1.jpeg)
平均绝对误差(MAE)
就是绝对误差的平均值,它的计算公式如下:
![af47db459251c89626192f0485e8614f.png](https://i-blog.csdnimg.cn/blog_migrate/41c22ed0484de241f3ac7f05489df282.jpeg)
MAE 的值越小,说明预测模型拥有更好的精确度。
代码实现
import numpy as npdef mse_value(y_true, y_pred): """ 参数: y_true -- 测试