回归算法中常用的评价指标:MAE、MSE和RMSE
1. MAE(Mean Absolute Error:平均绝对误差)
其中,表示真实值,表示预测值
mean_absolute_error = np.sum(np.absolute(y_true - y_predict)) / len(y_true)
2. MSE(Mean Square Error:均方误差)
真实值减预测值的平方和除以预测样本大小,使得其与测试样本大小无关。
mean_squared_error = np.sum((y_true-y_predict)**2) / len(y_predict)
3. RMSE(Root Mean Square Error:均方根误差)
RMSE = MSE均方误差 开根号
root_mean_squared_error = sqrt(mean_squared_error)
4. R Squared(R2)
R平方也称为决定系数,用于确定数据与拟合回归线的接近程度。
“决定系数”的正常取值范围为[0,1],越接近1,表明方程的变量对y的解释能力越强,这个模型对数据拟合的也较好
r_squared = 1 - mean_squared_error / np.var(y_true)
5. 图解
6. 总结
来源:
徐惠荣. 基于可见/近红外光谱的水果糖度检测模型优化及应用研究[D].浙江大学,2010.
分类算法评估指标全总结:
参考:
(4条消息) 基本概念--MAE、MSE和RMSE_mae和mse_萌小博的博客-CSDN博客
(5条消息) 线性回归算法评估指标MSE、RMSE、MAE、R方_mse和rmse的区别_德乌大青蛙的博客-CSDN博客