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。