回归算法的指标

参考学习：回归算法的评估指标 - 简书 (jianshu.com)

1.平均绝对值误差（mae）

MAE_1 = np.mean(abs(y_test - prediction))
print(MAE_1)
[out]：3.3446655035987476

使用sklearn.metrics模块：

from sklearn.metrics import mean_absolute_error
MAE_2 = mean_absolute_error(y_test,prediction)
print(MAE_2)
[out]：3.3446655035987476

2.均方误差

python方法：

MSE_1 = np.mean((y_test - prediction)**2)
print(MSE_1)
[out]：19.831323672063235

使用sklearn.metrics模块：

from sklearn.metrics import mean_squared_error
MSE_2 = mean_squared_error(y_test,prediction)
print(MSE_2)
[out]：19.831323672063235

3.均方根误差

python方法：

RMSE_1 = np.sqrt(np.mean((y_test - prediction)**2))
print(RMSE_1)
[out]：4.45323743719816

使用sklearn.metrics模块：
sklearn.metrics模块中没有直接计算均方根误差的函数，所以需要先计算均方误差，然后再开根号。

from sklearn.metrics import mean_squared_error
RMSE_2 = np.sqrt(mean_squared_error(y_test,prediction))
print(RMSE_2)
[out]：4.45323743719816

4.可决系数

越接近于1，说明模型的效果越好，越接近于0，说明的模型效果越差，当然也存在负值，此时说明模型的效果非常的差。

python方法：

R_1 = 1 - np.mean((y_test - prediction)**2)/np.mean((y_test - np.mean(y_test)**2))
print(R_1)
[out]：0.7836295385076281

使用sklearn.metrics模块

from sklearn.metrics import r2_score
R_2 = r2_score(y_test,prediction)
print(R_2)
[out]：0.7836295385076281

小结：

1 2 3 可以准确的计算出预测结果和真实的结果的误差大小，但却无法衡量模型的好坏程度。但是这些指标可以指导我们的模型改进工作，如调参，特征选择等。
4 的结果可以很清楚的说明模型的好坏，该值越接近于1，表明模型的效果越好。该值越接近于0，表明模型的效果越差。