机器学习(四)-回归模型评估指标

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。

R2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R2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
相关推荐
fsnine19 分钟前
深度学习——残差神经网路
人工智能·深度学习
荼蘼29 分钟前
迁移学习实战:基于 ResNet18 的食物分类
机器学习·分类·迁移学习
和鲸社区1 小时前
《斯坦福CS336》作业1开源,从0手搓大模型|代码复现+免环境配置
人工智能·python·深度学习·计算机视觉·语言模型·自然语言处理·nlp
fanstuck1 小时前
2025 年高教社杯全国大学生数学建模竞赛C 题 NIPT 的时点选择与胎儿的异常判定详解(一)
人工智能·目标检测·数学建模·数据挖掘·aigc
cxr8281 小时前
Claude Code PM 深度实战指南:AI驱动的GitHub项目管理与并行协作
人工智能·驱动开发·github
THMAIL1 小时前
深度学习从入门到精通 - LSTM与GRU深度剖析:破解长序列记忆遗忘困境
人工智能·python·深度学习·算法·机器学习·逻辑回归·lstm
Gyoku Mint2 小时前
NLP×第六卷:她给记忆加了筛子——LSTM与GRU的贴靠机制
人工智能·深度学习·神经网络·语言模型·自然语言处理·gru·lstm
悠哉悠哉愿意2 小时前
【数学建模学习笔记】机器学习分类:随机森林分类
学习·机器学习·数学建模
玉木子2 小时前
机器学习(七)决策树-分类
决策树·机器学习·分类
YF云飞2 小时前
数据仓库进化:Agent驱动数智化新范式
数据仓库·人工智能·ai