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
对你无可奈何6 小时前
给 ComfyUI 做了一个手机助手
人工智能
feasibility.8 小时前
英伟达把物理AI的3D模型“应用商店”开放了:2575个SimReady仿真资产,总计约472GB,可让agent装配机器人训练场景
人工智能·3d·机器人·仿真·建模·具身智能·英伟达
智联视频超融合平台8 小时前
消防宣传月过半,“AI+消防“给视频平台换了张考卷
人工智能·边缘计算·视频监控·安防·视频联网
冬奇Lab9 小时前
一天一个开源项目(第262篇):AG-UI —— 把 AI Agent 接进前端的开放协议,和 MCP、A2A 并列的第三块拼图
人工智能·开源
罗西的思考10 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
RobinDevNotes11 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV11 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
Bowen_J12 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
IT_陈寒12 小时前
Redis那个过期删除策略,差点让我线上崩了
前端·人工智能·后端
阿里云大数据AI技术13 小时前
AI 原生大数据服务 ADA 快速入门:完成首次对话式数据分析
大数据·人工智能