Metric评价指标-四种常用误差方法

1、均方误差（Mean Square Error，MSE），该指标计算的是拟合数据和原始数据对应样本点的误差的 平方和的均值，其值越小说明拟合效果越好。

2、平均绝对误差（Mean Absolute Error，MAE），用于评估预测结果和真实数据集的接近程度，其值越小说明拟合效果越好。

3、中值绝对误差

   4、 r2_score：判定系数，其含义是也是解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因变量的方差变化，值越小则说明效果越差

方法使用

from sklearn.metrics import explained_variance_score, \
    mean_absolute_error, mean_squared_error, \
    median_absolute_error, r2_score



    print('平均绝对误差为：', mean_absolute_error(data[y],data[y_pred])
    print('均方误差为：', mean_squared_error(data[y],data[y_pred])
    print('中值绝对误差为：', median_absolute_error(data[y],data[y_pred])
    print('可解释方差值为：', explained_variance_score(data[y],data[y_pred])
    print('R方值为：', r2_score(data[y],data[y_pred])