测试一波回归模型的误差

如何衡量一个线性回归模型准确性

上一篇文章讲了怎么使用线性回归来预测,但是没有对这个模型的性能和准确性进行有效评估。

一般来讲,误差越小,预测就越准确。但是如果误差过于小,也要考虑是否过度拟合。

下面几个指标是用来衡量一个模型的误差大小:

    1. 平均绝对误差(Mean Absolute Error,简称MAE)
      它的数学公式是:

scikit-learn里对应的函数如下:

mean_absolute_error(y_true, y_pred)

其中y_true是真实的目标值,y_pred是预测目标值。

MAE越小,说明模型的预测能力越好。

    1. 均方误差(Mean Squared Error,简称MSE)
      它的数学公式是:

mean_squared_error(y_true, y_pred)

MSE越小,表示模型的预测值与实际观测值之间的差异较小,即模型具有较高的预测精度。

    1. 均方对数误差(Mean Squared Log Error,简称MSLE):

mean_squared_log_error(y_true, y_pred)

MSLE的值越小,表示预测结果与真实值的差异越小,即模型的拟合程度越好。

    1. 绝对误差中值(Median Absolute Error,简称MedAE):

median_absolute_error(y_true, y_pred)

MedAE越小的模型,通常意味着它在大多数数据点上的预测更为准确。

实际使用中我用得最多的是MSE和MEdAE以及r2 score(它用来描述自变量和因变量的关联性,通常值为0-1之间),具体代码如下所示:

import sklearn.metrics as metrics
import numpy as np

# Sample data
X = np.array([[1], [2], [3], [4], [5]])  # Input feature
y = np.array([2, 3.5, 2.8, 4.6, 5.2])     # Output target

# Create a linear regression model
model = LinearRegression()

# Fit the model to the data
model.fit(X, y)

# Make predictions
X_new = np.array([[6], [7]])  # New data for prediction
y_pred = model.predict(X_new)

print("Predictions:", y_pred)

mse = metrics.mean_squared_error(y, y_pred)
r2 = metrics.r2_score(y, y_pred)
m_error = metrics.median_absolute_error(y, y_pred)

print('MSE is {}'.format(mse))
print('R2 is {}'.format(r2))
print('M_ERROR is {}'.format(m_error))
相关推荐
我就说好玩15 小时前
2020年美国总统大选数据分析与模型预测
大数据·python·数据挖掘·数据分析·pandas·sklearn
小馒头学python17 小时前
【机器学习】机器学习回归模型全解析:线性回归、多项式回归、过拟合与泛化、向量相关性与岭回归的理论与实践
人工智能·python·机器学习·回归·线性回归
镜花照无眠1 天前
sklearn红酒数据集分类器的构建和评估
python·sklearn
今天有没有吃饱饱3 天前
【深度学习】多分类任务评估指标sklearn和torchmetrics对比
pytorch·深度学习·分类·sklearn
pingu的生信备忘录4 天前
sklearn|机器学习:决策树(一)
决策树·机器学习·sklearn
weixin_518285054 天前
Pytorch实现线性回归
pytorch·机器学习·线性回归
zbdx不知名菜鸡5 天前
sklearn机器学习实战
人工智能·机器学习·sklearn
joker D8885 天前
线性回归矩阵求解和梯度求解
机器学习·矩阵·线性回归
武子康6 天前
大数据-203 数据挖掘 机器学习理论 - 决策树 sklearn 剪枝参数 样本不均匀问题
大数据·人工智能·决策树·机器学习·数据挖掘·scikit-learn·sklearn
武子康6 天前
大数据-202 数据挖掘 机器学习理论 - 决策树 sklearn 绘制决策树 防止过拟合
大数据·人工智能·决策树·机器学习·数据挖掘·scikit-learn·sklearn