python之MSE、MAE、RMSE的使用
我就废话不多说啦,直接上代码吧!
target=[1.5,2.1,3.3,-4.7,-2.3,0.75] prediction=[0.5,1.5,2.1,-2.2,0.1,-0.5] error=[] foriinrange(len(target)): error.append(target[i]-prediction[i]) print("Errors:",error) print(error) squaredError=[] absError=[] forvalinerror: squaredError.append(val*val)#target-prediction之差平方 absError.append(abs(val))#误差绝对值 print("SquareError:",squaredError) print("AbsoluteValueofError:",absError) print("MSE=",sum(squaredError)/len(squaredError))#均方误差MSE frommathimportsqrt print("RMSE=",sqrt(sum(squaredError)/len(squaredError)))#均方根误差RMSE print("MAE=",sum(absError)/len(absError))#平均绝对误差MAE targetDeviation=[] targetMean=sum(target)/len(target)#target平均值 forvalintarget: targetDeviation.append((val-targetMean)*(val-targetMean)) print("TargetVariance=",sum(targetDeviation)/len(targetDeviation))#方差 print("TargetStandardDeviation=",sqrt(sum(targetDeviation)/len(targetDeviation)))#标准差
补充拓展:回归模型指标:MSE、RMSE、MAE、R2
sklearn调用
#测试集标签预测 y_predict=lin_reg.predict(X_test) #衡量线性回归的MSE、RMSE、MAE、r2 frommathimportsqrt fromsklearn.metricsimportmean_absolute_error fromsklearn.metricsimportmean_squared_error fromsklearn.metricsimportr2_score print("mean_absolute_error:",mean_absolute_error(y_test,y_predict)) print("mean_squared_error:",mean_squared_error(y_test,y_predict)) print("rmse:",sqrt(mean_squared_error(y_test,y_predict))) print("r2score:",r2_score(y_test,y_predict))
原生实现
#测试集标签预测 y_predict=lin_reg.predict(X_test) #衡量线性回归的MSE、RMSE、MAE mse=np.sum((y_test-y_predict)**2)/len(y_test) rmse=sqrt(mse) mae=np.sum(np.absolute(y_test-y_predict))/len(y_test) r2=1-mse/np.var(y_test) print("mse:",mse,"rmse:",rmse,"mae:",mae,"r2:",r2)
相关公式
MSE
RMSE
MAE
R2
以上这篇python之MSE、MAE、RMSE的使用就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。