python之MSE、MAE、RMSE的使用
2020-03-11 17:50
411 查看
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 = [] for i in range(len(target)): error.append(target[i] - prediction[i]) print("Errors: ", error) print(error) squaredError = [] absError = [] for val in error: squaredError.append(val * val)#target-prediction之差平方 absError.append(abs(val))#误差绝对值 print("Square Error: ", squaredError) print("Absolute Value of Error: ", absError) print("MSE = ", sum(squaredError) / len(squaredError))#均方误差MSE from math import sqrt 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 for val in target: targetDeviation.append((val - targetMean) * (val - targetMean)) print("Target Variance = ", sum(targetDeviation) / len(targetDeviation))#方差 print("Target Standard Deviation = ", 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 from math import sqrt from sklearn.metrics import mean_absolute_error from sklearn.metrics import mean_squared_error from sklearn.metrics import r2_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("r2 score:", 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
您可能感兴趣的文章:
相关文章推荐
- python之MSE、MAE、RMSE
- 三个评价线性回归算法的标准MSE、RMSE、MAE
- 衡量线性回归算法的指标——MSE,RMSE,MAE,R_Squared
- 回归模型效果评估系列2-MAE、MSE、RMSE、MAPE(MAPD)
- 方差(Var),样本方差(SVar),标准差(SD),均方误差(MSE),均方根误差(RMSE),平均绝对误差(MAE)
- 回归评价指标MSE、RMSE、MAE、R-Squared
- 回归算法评价标准MSE、RMSE、MAE、R-Squared
- 回归评价指标MSE、RMSE、MAE、R-Squared
- 均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
- 回归模型效果评估系列2-MAE、MSE、RMSE、MAPE(MAPD)
- 第三篇 2.1-线性回归原理,推导,衡量线性回归的指标(MSE,RMSE,MAE,R^2)
- 均方误差(MSE)根均方误差(RMSE)平均绝对误差(MAE)
- 使用 python 操作blog
- 使用Python的MD5算法比较两个文件
- python模块之threading: 在python中使用多线程
- 使用python连接oracle数据库
- 怎样在wincvs中使用python脚本
- 使用Python的MD5算法比较两个文件
- 一次Tomcat奇慢无比的调试,使用Python
- 使用Python脚本自动修改Windows的IP、网关和DNS设置