【第二章:机器学习与神经网络概述】04.回归算法理论与实践 -(4)模型评价与调整（Model Evaluation & Tuning）

第二章: 机器学习与神经网络概述

第四部分：回归算法理论与实践

第四节：模型评价与调整

内容：MSE、MAE、R-squared等指标，交叉验证与模型调参。

机器学习中的回归任务需要定量地评价模型性能，并通过系统性的调整手段优化模型表现。本节涵盖最常用的评价指标与调参方法。

一、常见回归性能指标

指标名称	描述	说明
MSE	均方误差 Mean Squared Error	对异常值敏感
RMSE	均方根误差 Root MSE	与原始单位一致
MAE	平均绝对误差 Mean Absolute Error
	决定系数 R-squared	表示模型解释方差的能力，越接近1越好

选择指标时应结合任务特点和数据分布。

例如：对异常值敏感任务应避免仅使用 MSE。

【机器学习】均方误差（MSE：Mean Squared Error）-CSDN博客

【机器学习】均方误差根（RMSE：Root Mean Squared Error）-CSDN博客

【机器学习】平均绝对误差（MAE：Mean Absolute Error）-CSDN博客

【机器学习】决定系数（R²：Coefficient of Determination）-CSDN博客

二、Python 示例代码（指标计算）

python 复制代码

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 真实值与预测值
y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.1, 7.8]

mse = mean_squared_error(y_true, y_pred)
mae = mean_absolute_error(y_true, y_pred)
r2 = r2_score(y_true, y_pred)

print(f"MSE: {mse:.3f}, MAE: {mae:.3f}, R^2: {r2:.3f}")

运行结果

python 复制代码

MSE: 0.287, MAE: 0.475, R^2: 0.961

三、交叉验证（Cross Validation）

交叉验证是模型调优中非常关键的过程，用于减少训练测试划分带来的偶然性。

1. K折交叉验证（K-Fold）

【漫话机器学习系列】268. K 折交叉验证（K-Fold Cross-Validation）_k折交叉验证-CSDN博客

将数据划分为K份，轮流使用其中一份做验证，其余做训练。
常见 K 值为 5 或 10。

python 复制代码

from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

X, y = make_regression(n_samples=100, n_features=2, noise=0.1)
model = LinearRegression()
scores = cross_val_score(model, X, y, cv=5, scoring='r2')
print("R2 average:", scores.mean())

运行结果

python 复制代码

R2 average: 0.9999984312849461

2. 留一交叉验证（LOOCV）

适合样本极少的场景，每次只留一个样本做测试。

四、模型调参方法（超参数优化）

1. 手动调参（grid试错）

适用于参数少、模型轻量情况。

2. 网格搜索（GridSearchCV）

【漫话机器学习系列】068.网格搜索（GridSearch）-CSDN博客

python 复制代码

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression

X, y = make_regression(n_samples=100, n_features=2, noise=0.1)
param_grid = {
    'n_estimators': [50, 100],
    'max_depth': [3, 5, None]
}

grid = GridSearchCV(RandomForestRegressor(), param_grid, cv=3, scoring='r2')
grid.fit(X, y)
print("Best Params:", grid.best_params_)

运行结果

python 复制代码

Best Params: {'max_depth': None, 'n_estimators': 50}

3. 随机搜索（RandomizedSearchCV）

【漫话机器学习系列】137.随机搜索（Randomized Search）-CSDN博客

在参数空间中随机采样，效率更高，适合大规模调参。

总结

分类	方法/指标	作用
性能评估	MSE、MAE、R2R^2	判断回归模型拟合效果
模型稳定性	K折交叉验证、LOOCV	检测过拟合、评估泛化能力
参数调整	GridSearchCV、RandomCV	寻找最优模型超参数

拓展内容

【漫话机器学习系列】174.模型选择（Model Selection）_模型池-CSDN博客