scikit-learn实现回归问题的评估指标：MSE，MAE,，MAPE，RMSE,，R-Squared，SMAPE

最新推荐文章于 2024-04-22 09:33:12 发布
最新推荐文章于 2024-04-22 09:33:12 发布
阅读量2w 收藏 98
点赞数 22
分类专栏： 深度学习 文章标签： 人工智能
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/weixin_45901519/article/details/107006208
版权

前言：
分类问题的评价指标是准确率，而回归问题的评价指标就是MAE, MAPE, MSE, RMSE, R2_Score，SMAPE这几种误差。
当然回归问题就是预测。现在假设：
在这里插入图片描述
在此基础上，先看看这几种误差具体的公式，想看scikit-learn实现，直接最后。

目录

1、MSE 均方误差（Mean Square Error）

在这里插入图片描述

2、RMSE 均方根误差（Root Mean Square Error)

就是上面的MSE加了个根号，这样数量级上比较直观，比如RMSE=2，可以认为回归效果相比真实值平均相差2
在这里插入图片描述

3、MAE 平均绝对误差（Mean Absolute Error)

在这里插入图片描述

4、MAPE 平均绝对百分比误差（Mean Absolute Percentage Error)

在这里插入图片描述

5、R_Squared

看看分类算法的衡量标准就是正确率，而正确率又在0～1之间，最高百分之百，最低0。很直观，而且不同模型一样的

最低0.47元/天 解锁文章
Ma Sizhou
关注
  • 22
    点赞
  • 踩
  • 98
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
scikit-learn：scikit-learn：Python中的机器学习
02-06
scikit-learn：scikit-learn：Python中的机器学习
几种MAPE的实现方式
01-20
目录方法一 （label 中有NaN值）方法二（label 中有零值）方法三 （限制过大过小值） 方法一 （label 中有NaN值） 这种方式是为了防止label里面有NaN值，但没考虑是否为零值。这里以pytorch进行举例。 def masked_mape(preds, labels, null_val=np.nan): if np.isnan(null_val): mask = ~torch.isnan(labels) else: mask = (labels!=null_val) mask = mask.float()
Python计算统计分析MSE 、RMSE、MAE、R2评估指标
知识搬运者
07-27 7310
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+…
sklearn【MAPE】平均相对误差介绍，以及案例学习！
最新发布
高级数据分析师，分享Python知识
04-22 1982
在预测任务中，评估模型的预测性能至关重要。除了常见的均方误差（MSE）和决定系数（R²）等指标外，平均百分比误差（MAPE，Mean Absolute Percentage Error）也是一个常用的评估指标。MAPE衡量了模型预测值与实际值之间的百分比误差的平均值，有助于我们了解预测的相对准确性。在Python的机器学习库sklearn中，虽然没有直接提供计算MAPE的函数，但我们可以自己编写一个简单的函数来实现这一功能。
[机器学习与scikit-learn-28]：算法-回归-评估指标详解
文火冰糖（王文兵）的博客
03-18 1167
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 第1章 最小二乘的误差公式 第2章残差和与MAE 2.1 残差与残差和 2.2 绝对均值误差MAE (L1误差） 第3章 残差平方和与MSE 3.1 残差平方和RSS 3.2 均方误差MSE（L2误差） 第4章 范数与误差 第5章 R^2指标 5.1MSE和MAE不足 5.2 决定系数R2指标 第1章 最小二乘的误差公式 最小二乘法也可以叫做最小平方和，其目的...
用scikit-learn和pandas学习线性回归
weixin_34273046的博客
10-31 241
　　　　　　对于想深入了解线性回归的童鞋，这里给出一个完整的例子，详细学完这个例子，对用scikit-learn来运行线性回归，评估模型不会有什么问题了。 1. 获取数据，定义问题 　　　　没有数据，当然没法研究机器学习啦。:) 这里我们用UCI大学公开的机器学习数据来跑线性回归。 　　　　数据的介绍在这： http://archive.ics.uci.edu/ml/datasets/Combin...
Scikit-learn_模型评估与参数调优_评价指标
feizuiku0116的博客
09-11 266
一.描述 对于二分类问题，习惯上把希望检测出的那一列称为正例，另一类称为负例。 二分类结果的四种可能 真正例（TP） 假正例（FP） 真负例（TN） 假负例（FN） 二.各项指标 模型精度：分类正确的样本个数（真正例和真负例）占总样本的比例 准确率：真正例（TP）和预测正例（TP+FP）的比例 召回率：真正例（TP）和实际正例（TP+FN）的比例 f1分值：准确率和召回率的调和平均 二.实例 使用混淆矩阵对数据进行分类from sklearn.datasets import load_bre
[机器学习与scikit-learn-51]：模型评估-图解回归模型的评估指标MSE、MAE、RMSE、R2、RSS与代码示例
文火冰糖（王文兵）的博客
04-26 9708
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 前言： 第1章 残差residual error 1.1 残差的定义 1.2 残差的数学表达式 1.3 残差计算的几何图形 1.4 残差数值的几何图形 1.5 残差分析 1.6 残差的意义： 第2章 平均绝对误差（mean absolute error, MAE）- L1损失 2.1 概述 2.2 MAE的数学表达式 2.3 MAE误差的几何含义 2.4 MAE的函数图
机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC ）（回归指标评价MSE、RMSE、MAE、MAPE、R Squared）
youif的博客
04-12 5934
文章目录1.机器学习中的评价指标基础（一）分类指标评价1.Accuracy2.Precision、查准率3.Recall、查全率4.F1-score举个例子：5.ROC6.AUC（二）回归指标评价1.均方误差（MSE）2.均方根误差（RMSE）3.MAE(平均绝对误差)4.MAPE5.R Squared 1.机器学习中的评价指标 简要介绍精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、...
scikit-learn线性回归，多元回归，多项式回归的实现
09-18
在Python中，scikit-learn库提供了强大的工具来实现线性回归模型，包括一元线性回归、多元线性回归以及多项式回归。 一元线性回归仅涉及一个自变量和一个因变量，模型表达式为y = α + βx，其中α是截距，β是斜率...
Scikit-learn 使用手册中文版.zip_SCIKIT-LEARN_Scikit-learn 使用手册中文版_sciki
07-15
Scikit-learn 使用手册中文版
scikit-learn-1.0.2.tar.gz
01-18
该资源为scikit-learn-1.0.2.tar.gz，欢迎下载使用哦！
scikit-learn-examples：使用Scikit-learn探索Logistic回归，MLP和SVM
02-04
使用Scikit-learn探索Logistic回归，MLP和SVM 档案 main.py：主程序 config.py：配置，参数 util.py：与数据预处理有关 model.py：模型 img /：用于保存损失函数图的目录（用于线性回归） 数据集 乳腺癌 糖尿病 数字...
[Python] scikit-learn之mean_squared_error函数(Mean Squared Error(MSE))介绍和使用案例
老狼工作室的博客
01-15 4636
本文主要介绍了scikit-learn中如何通过mean_squared_error函数来计算均方误差(MSE)和均方根误差(RMSE)。
评价指标RMSE、MSE、MAE、MAPE、SMAPE 、R-Squared——python+sklearn实现
qq_41870157的博客
03-06 1万+
MSE 均方误差（Mean Square Error） 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 MAE 平均绝对误差（Mean Absolute Error) MAPE 平均绝对百分比误差（Mean Absolute Percentage Error) ...
【scikit-learn基础】--『回归模型评估』之准确率分析
Ly768768的博客
04-09 1253
本篇归纳总结了分类模型中关于准确率相关准确率分数top-k 准确率分数平衡准确率分数精确率，召回率和 F1度量。
Scikit-learn库的基础与使用
hellozhxy的博客
10-10 1552
Scikit-learn的发展始于2007年，由David Cournapeau在Google Summer of Code项目中启动。项目后续得到了许多开发者的贡献，包括INRIA（法国国家信息与自动化研究所），Waikato大学和其他机构。项目之所以取名为Scikit-Learn，也是因为该算法库是基于SciPy来进行的构建，而Scikit则是SciPy Kit（SciPy衍生的工具套件）的简称Scikit-learn是目前机器学习领域最完整、同时也是最具影响力的算法库。
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
fengdu78的博客
05-16 8306
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，data会被skew，RMSE会被明显拉...
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
热门推荐
qq_31244453的博客
03-11 3万+
目录 前言 MSE RMSE MAPE SMAPE Python程序 前言 分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。 假设： MSE 均方误差(Mean Square Error) 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，模型性能越差。 RMSE 均方根误差(Root Mean
scikit-learn实现线性回归
03-30
要使用scikit-learn实现线性回归，可以按照以下步骤进行： 1. 导入所需的库和模块： ```python from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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
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