Python机器学习：线型回归法05衡量线性回归法的指标MES，RMS，MAE

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

数据

boston = datasets.load_boston()

只使用房价数量这个特征

x = boston.data[:,5]#只使用房间数量这个特征

y = boston.target

plt.scatter(x,y)#上限点

去掉上限点

#返回新的索引
x = x[y < 50]
y = y[y < 50]
plt.scatter(x,y)

train_test_split

from Simple_linear_Regression.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,seed=666)

from Simple_linear_Regression.SimpleLinearRegression import Simple_linear_Regression2
reg = Simple_linear_Regression2()
print(reg.fit(x_train,y_train))

Simple_linear_Regression2

print(reg.a_)
print(reg.b_)

7.8608543562689555
-27.459342806705543

plt.scatter(x_train,y_train)
plt.plot(x_train,reg.predict(x_train),color = 'r')

y_predict = reg.predict(x_test)

使用自己封装的mse,rmse,mae

from Simple_linear_Regression.metrics import mean_squared_error
from Simple_linear_Regression.metrics import root_mean_squared_error
from Simple_linear_Regression.metrics import mean_absolute_error

print(mean_squared_error(y_test,y_predict))
print(root_mean_squared_error(y_test,y_predict))
print(mean_absolute_error(y_test,y_predict))

24.156602134387438
4.914936635846635
3.5430974409463873

封装的代码

def mean_squared_error(y_true,y_predict):
    assert len(y_true) == len(y_predict),\
        'the size of y_true must be equal to the size of y_predict'

    return np.sum((y_true - y_predict) ** 2) / len(y_true)

def root_mean_squared_error(y_true,y_predict):

    return np.sqrt(mean_squared_error(y_true,y_predict))

def mean_absolute_error(y_true,y_predict):

    assert len(y_true) == len(y_predict), \
        'the size of y_true must be equal to the size of y_predict'
    return np.sum(np.absolute(y_true - y_predict)) / len(y_predict)

分类问题

回归问题如何评价呢


均方误差MES（mean squared error）

改变量纲
RMSE（Root Mean Squared error）

平均绝对误差MAE（虽然不可导，但是评价一个算法是可以的）

j尽量让RMSE小。。