测试一波回归模型的误差

作者：EquatorCoco

2024-02-27
福建
本文字数：899 字
阅读完需：约 3 分钟

如何衡量一个线性回归模型准确性

上一篇文章讲了怎么使用线性回归来预测，但是没有对这个模型的性能和准确性进行有效评估。

一般来讲，误差越小，预测就越准确。但是如果误差过于小，也要考虑是否过度拟合。

下面几个指标是用来衡量一个模型的误差大小：

平均绝对误差（Mean Absolute Error，简称 MAE）

它的数学公式是：

scikit-learn 里对应的函数如下：

mean_absolute_error(y_true, y_pred)

复制代码

其中 y_true 是真实的目标值，y_pred 是预测目标值。MAE 越小，说明模型的预测能力越好。

均方误差（Mean Squared Error，简称 MSE）

它的数学公式是：

mean_squared_error(y_true, y_pred)MSE 越小，表示模型的预测值与实际观测值之间的差异较小，即模型具有较高的预测精度。

均方对数误差（Mean Squared Log Error，简称 MSLE）：

mean_squared_log_error(y_true, y_pred)MSLE 的值越小，表示预测结果与真实值的差异越小，即模型的拟合程度越好。

绝对误差中值（Median Absolute Error，简称 MedAE）：

median_absolute_error(y_true, y_pred)

MedAE 越小的模型，通常意味着它在大多数数据点上的预测更为准确。

实际使用中我用得最多的是 MSE 和 MEdAE 以及 r2 score（它用来描述自变量和因变量的关联性，通常值为 0-1 之间），具体代码如下所示：

import sklearn.metrics as metricsimport numpy as np
# Sample dataX = np.array([[1], [2], [3], [4], [5]])  # Input featurey = np.array([2, 3.5, 2.8, 4.6, 5.2])     # Output target
# Create a linear regression modelmodel = LinearRegression()
# Fit the model to the datamodel.fit(X, y)
# Make predictionsX_new = np.array([[6], [7]])  # New data for predictiony_pred = model.predict(X_new)
print("Predictions:", y_pred)
mse = metrics.mean_squared_error(y, y_pred)r2 = metrics.r2_score(y, y_pred)m_error = metrics.median_absolute_error(y, y_pred)
print('MSE is {}'.format(mse))print('R2 is {}'.format(r2))print('M_ERROR is {}'.format(m_error))

复制代码

文章转载自：freephp
原文链接：https://www.cnblogs.com/freephp/p/18035887
体验地址：http://www.jnpfsoft.com/?from=001

发布于: 刚刚阅读数: 4

EquatorCoco

关注

还未添加个人签名 2023-06-19 加入

还未添加个人简介

发布

暂无评论

创作场景

测试一波回归模型的误差

如何衡量一个线性回归模型准确性

EquatorCoco

评论