精准度分析：如何衡量机器学习模型的准确性

        模型评估是机器学习中非常重要的一步，它是对训练好的模型进行性能评估和验证的过程。在机器学习中，模型的准确性和泛化能力是非常关键的因素，模型评估可以帮助我们了解模型在新数据上的泛化性能如何，以及为进一步调整和优化模型提供指导。

        在模型的评估中，通常会使用一些统计指标来衡量模型的表现，如均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）、R平方等。这些指标能够反映出模型预测结果与实际结果的差异程度，我们可以通过这些指标来评估模型的准确性、稳定性和预测能力等方面的表现，同时也可以用于比较不同模型之间的性能差异。此外，还可以通过可视化工具来展示模型的评估结果，例如条形图、曲线图、散点图、热力图等等。

回归模型评估

简介：基于预测结果和原始结果，评价回归算法模型的优劣，包含指标。 其中指标包括R2、RMSE。
常用的回归模型评估指标:
均方误差（Mean Squared Error, MSE）：MSE是预测值与真实值之间距离的平方和除以样本数量的平均值。MSE可以评估模型在预测连续数值时的精度。如果MSE越小，则说明模型的预测结果越接近真实值。
均方根误差（Root Mean Squared Error, RMSE）：RMSE是MSE的平方根，因此它反映了预测值与真实值之间的平均距离，并且通常比MSE更易于解释。
平均绝对误差（Mean Absolute Error, MAE）：MAE是预测值与真实值的绝对值之和除以样本数量的平均值。MAE可以评估模型在连续变量上的表现，但是它不像MSE一样强调较大的误差值。
决定系数（Coefficient of Determination, R^2）：R^2度量模型在解释目标变量方差方面的表现。它的取值范围在0和1之间，其中1表示完美拟合，而0表示模型无法解释目标变量的差异。

举例说明：烘焙师做蛋糕，根据已知的烘焙时间和相关特征（蛋糕尺寸、温度等）数据集作为基准、将数据分为训练集和测试集。随后，烘焙师根据经验和模型来预测测试集中的每个蛋糕的烤制世界，然后将预测值和测试集中的真实烘焙时间进行比较。如果烤制时间的预测值与真实值非常接近，那么差的平方将会很小，MSE也会很小。相反，如果预测值与真实值相差较大，那么MSE将会增大。还有另一个常用的评估指标是均方根误差（Root Mean Squared Error，RMSE）。与MSE不同的是，RMSE是将MSE的结果开根号，这样我们可以获得更直观的数值，表示预测值与真实值之间的平均差距。
通过计算MSE和RMSE，我们可以对回归模型的表现有一个直观的认识。如果MSE和RMSE的值较小，那么说明模型的预测能力较好，烘焙师的技能水平高。反之，如果MSE和RMSE较大，就意味着模型的预测与真实值之间存在较大偏差，需要对模型进行改进。
举例说明：天气预报员的准确性，根据过去的天气情况数据，包括实际的最高气温和其他相关特征（如湿度、风速等）。将数据分为训练集和测试集。

MSE和RMSE越小，R²越接近1，代表模型的性能越好。

# 导入需要的库
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 加载波士顿房价数据集
boston = load_boston()

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.3, random_state=42)

# 创建线性回归模型对象
lr = LinearRegression()

# 训练模型
lr.fit(X_train, y_train)

# 预测测试集
y_pred = lr.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False)
r2 = r2_score(y_test, y_pred)

# 绘制y轴的实际值与预测值散点图
plt.scatter(y_test, y_pred)
plt.xlabel("True Values")
plt.ylabel("Predictions")
plt.show()

# 绘制x轴的预测值与误差图
plt.scatter(y_pred, y_pred - y_test, c="blue", marker="o", label="Training data")
plt.hlines(y=0, xmin=y_test.min(), xmax=