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
曼城周杰伦2 天前
表格不同类型的数据如何向量化?
人工智能·机器学习·分类·数据挖掘·sklearn·word2vec
沙度灬2 天前
python之sklearn--鸢尾花数据集之数据降维(PCA主成分分析)
开发语言·python·sklearn
杰哥技术分享2 天前
百度飞浆:paddle 线性回归模型
百度·线性回归·paddle
Taverry2 天前
机器学习杂笔记1:类型-数据集-效果评估-sklearn-机器学习算法分类
算法·机器学习·sklearn
baijin_cha3 天前
机器学习基础07_sklearn梯度下降&岭回归&拉索回归&逻辑回归
笔记·机器学习·回归·sklearn
谢眠3 天前
机器学习day7-线性回归3、逻辑回归、聚类、SVC
机器学习·逻辑回归·线性回归
行码棋4 天前
【机器学习】回归模型(线性回归+逻辑回归)原理详解
人工智能·机器学习·线性回归
闫铁娃5 天前
【AtCoder】Beginner Contest 380-C.Move Segment
c语言·开发语言·数据结构·c++·算法·线性回归
baijin_cha5 天前
机器学习基础05_随机森林&线性回归
随机森林·机器学习·线性回归
两千连弹7 天前
机器学习 ---线性回归
机器学习·回归·线性回归·sklearn