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
子燕若水1 小时前
Unreal Engine 5中的AI知识
人工智能
极限实验室2 小时前
Coco AI 实战(一):Coco Server Linux 平台部署
人工智能
杨过过儿2 小时前
【学习笔记】4.1 什么是 LLM
人工智能
巴伦是只猫2 小时前
【机器学习笔记Ⅰ】13 正则化代价函数
人工智能·笔记·机器学习
大千AI助手3 小时前
DTW模版匹配:弹性对齐的时间序列相似度度量算法
人工智能·算法·机器学习·数据挖掘·模版匹配·dtw模版匹配
AI生存日记3 小时前
百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署
人工智能·百度·开源·open ai大模型
LCG元3 小时前
自动驾驶感知模块的多模态数据融合:时序同步与空间对齐的框架解析
人工智能·机器学习·自动驾驶
why技术3 小时前
Stack Overflow,轰然倒下!
前端·人工智能·后端
超龄超能程序猿4 小时前
(三)PS识别:基于噪声分析PS识别的技术实现
图像处理·人工智能·计算机视觉