Python3——sklearn中评价回归模型的六种方法

评价回归模型的好坏需要计算真实值与预测值之间的误差关系，sklearn为我们提供了6种评价回归模型的方法，分别是

1.均方误差（mean squared error）,

2.平均绝对误差（mean absolute error）,

3.均方对数误差（mean squared logarithmic error）,

4.中值绝对误差（median absolute error）,

5.可释方差分数（explain variance score），

6.决定系数分数（ score）

假设共有n个样本,真实值是,预测值是

1. 均方误差（mean squared error）

注意：区别于均方差（标准差）！！！标准差，也称均方差，定义为方差的算术平方根，反映组内个体间的离散程度。

mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

其中 multioutput : 有两个取值，分别是 ['raw_values', 'uniform_average']

“raw_values”:

在多输出的情况下返回每个输出的误差集合。

“uniform_average”:

在多输出的情况下返回所有输出的误差均值。

                                                                       

均方误差是非负值，模型越好MSE越接近零。

2.平均绝对误差（mean absolute error）

mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                       

平均绝对误差是非负值，模型越好MAE越接近零。

3.均方对数误差（mean squared logarithmic error）

mean_squared_log_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                   

均方对数误差是非负值，模型越好MSLE越接近零。

4.中值绝对误差（median absolute error）

median_absolute_error(y_true, y_pred)

中值绝对误差是非负值，模型越好MSE越接近零。

5.可释方差分数（explain variance score）

explained_variance_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                     

最佳模型的可释方差分数值为1，模型越差值越小。

6.决定系数分数（(coefficient of determination) score）

r2_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                   

最佳模型的决定系数分数值为1，常数模型值为0，模型越差值越小。