机器学习(四)-回归模型评估指标

dwjf3212024-12-23 17:17

文章目录

- [1. 哪个模型更好？](#1. 哪个模型更好？)
- [2. 线性回归评估指标](#2. 线性回归评估指标)
- [3. python 实现线性模型评估指标](#3. python 实现线性模型评估指标)

1. 哪个模型更好？

我们之前已经对房价预测的问题构建了线性模型，并对测试集进行了预测。

如图所示，横坐标是地区人口，纵坐标是房价，红色的点是实际样本分布。

使用不同的算法或者策略构建了两个线性模型，如图，分布是绿色直线和黄色直线所示。

那么如何量化我们构建的线性回归模型性能呢？如何比较这2个模型哪个更好呢？本节我们将给大家介绍一下线性回归常用的评估指标。

2. 线性回归评估指标

线性回归常用的评估指标有4个，下面详细介绍！

Var 为方差。

R^2是我们常用的线性回归评估指标，主要的原因之一就是我们通过R^2能更好的理解模型的性能好坏。

R^2有以下几个特点：

3. python 实现线性模型评估指标

python 复制代码

# 线性模型评估指标
# 均方误差：MSE
from sklearn.metrics import mean_squared_error
MSE = mean_squared_error(y_test, y_pred)
print("MSE = {}".format(MSE))

# 均方根误差：RMSE
RMSE = np.sqrt(MSE)
print("RMSE = {}".format(RMSE))

# 平均绝对值误差：MAE
from sklearn.metrics import mean_absolute_error
MAE = mean_absolute_error(y_test, y_pred)
print("MAE = {}".format(MAE))

# R^2: R-Squared
from sklearn.metrics import r2_score
R2 = r2_score(y_test, y_pred)
print("R2 = {}".format(R2))

输出结果：

python 复制代码

MSE = 0.17473032823222068
RMSE = 0.4180075695872273
MAE = 0.3406988798247714
R2 = 0.9838332745214976