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
望获linux19 小时前
【实时Linux实战系列】Linux 内核的实时组调度(Real-Time Group Scheduling)
java·linux·服务器·前端·数据库·人工智能·深度学习
程序员大雄学编程20 小时前
「深度学习笔记4」深度学习优化算法完全指南:从梯度下降到Adam的实战详解
笔记·深度学习·算法·机器学习
Dev7z20 小时前
河南特色农产品识别系统:让AI守护“中原味道”
人工智能
万俟淋曦20 小时前
【论文速递】2025年第28周(Jul-06-12)(Robotics/Embodied AI/LLM)
人工智能·ai·机器人·大模型·论文·robotics·具身智能
我是李武涯20 小时前
PyTorch DataLoader 高级用法
人工智能·pytorch·python
每月一号准时摆烂20 小时前
PS基本教学(三)——像素与分辨率的关系以及图片的格式
人工智能·计算机视觉
song1502653729820 小时前
全自动视觉检测设备
人工智能·计算机视觉·视觉检测
2501_9065196720 小时前
大语言模型的幻觉问题:机理、评估与抑制路径探析
人工智能
ZKNOW甄知科技20 小时前
客户案例 | 派克新材x甄知科技,构建全场景智能IT运维体系
大数据·运维·人工智能·科技·低代码·微服务·制造
视觉语言导航21 小时前
CoRL-2025 | SocialNav-SUB:用于社交机器人导航场景理解的视觉语言模型基准测试
人工智能·机器人·具身智能