15、回归模型的指标评估与机器学习的调参_笔记

东方耀

15、回归模型的指标评估与机器学习的调参_笔记

1. print('测试集上的R^2：', lr.score(X_test, Y_test))
   
2. 
   
3. mse = np.average((y_predict-Y_test)**2)
   
4. rmse = np.sqrt(mse)
   
5. print('rmse:', rmse)

复制代码

东方耀

1. import numpy as np
   
2. from math import sqrt
   
3. 
   
4. 
   
5. def accuracy_score(y_true, y_predict):
   
6.     """计算y_true和y_predict之间的准确率"""
   
7.     assert len(y_true) == len(y_predict), \
   
8.         "the size of y_true must be equal to the size of y_predict"
   
9. 
   
10.     return np.sum(y_true == y_predict) / len(y_true)
    
11. 
    
12. 
    
13. def mean_squared_error(y_true, y_predict):
    
14.     """计算y_true和y_predict之间的MSE"""
    
15.     assert len(y_true) == len(y_predict), \
    
16.         "the size of y_true must be equal to the size of y_predict"
    
17. 
    
18.     return np.sum((y_true - y_predict)**2) / len(y_true)
    
19. 
    
20. 
    
21. def root_mean_squared_error(y_true, y_predict):
    
22.     """计算y_true和y_predict之间的RMSE"""
    
23. 
    
24.     return sqrt(mean_squared_error(y_true, y_predict))
    
25. 
    
26. 
    
27. def mean_absolute_error(y_true, y_predict):
    
28.     """计算y_true和y_predict之间的RMSE"""
    
29.     assert len(y_true) == len(y_predict), \
    
30.         "the size of y_true must be equal to the size of y_predict"
    
31. 
    
32.     return np.sum(np.absolute(y_true - y_predict)) / len(y_true)
    
33. 
    
34. 
    
35. def r2_score(y_true, y_predict):
    
36.     """计算y_true和y_predict之间的R Square"""
    
37. 
    
38.     return 1 - mean_squared_error(y_true, y_predict)/np.var(y_true)

复制代码

东方耀

1. from sklearn.metrics import mean_squared_error
   
2. from sklearn.metrics import mean_absolute_error

复制代码

东方耀

最好的衡量线性回归法的指标 R Squared

EngyHui

888888888888888888888888888888888888888888

kenji1982

6666666666666666666

破天一件

666666666666666

破天一件

666666666666666

破天一件

好样的66666666666

破天一件

好样的66666666666