Python3——sklearn中迴歸模型的六種評估規則

評價迴歸模型的好壞需要計算真實值與預測值之間的誤差關係，sklearn爲我們提供了6種迴歸模型的評估規則，分別是

1.可釋方差分數（explain variance score）

2.平均絕對誤差（mean absolute error）

3.均方誤差（mean squared error）

4.均方對數誤差（mean squared logarithmic error），適用於具有指數增長的趨勢的目標。

5.中值絕對誤差（median absolute error），該函數不支持多輸出。

6.決定係數分數（ score）

通常，函數以 _score 結尾返回一個值來最大化，越高越好。

            函數 _error 或 _loss 結尾返回一個值來 minimize （最小化），越低越好。

假設共有n個樣本,真實值是,預測值是

1.可釋方差分數（explain variance score）

explained_variance_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                              其中 multioutput : 有兩個取值，分別是 ['raw_values', 'uniform_average']

                              “raw_values”:在多輸出的情況下返回每個輸出的誤差集合。

                              “uniform_average”:在多輸出的情況下返回所有輸出的誤差均值。

                                                                     

最佳模型的可釋方差分數值爲1，模型越差值越小。

 

2.平均絕對誤差（mean absolute error）

mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                       

平均絕對誤差是非負值，模型越好MAE越接近零。

3.均方誤差（mean squared error）

mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

注意：區別於均方差（標準差）！！！標準差，也稱均方差，定義爲方差的算術平方根，反映組內個體間的離散程度。

                                                                       

均方誤差是非負值，模型越好MSE越接近零。

4.均方對數誤差（mean squared logarithmic error）

mean_squared_log_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                   

均方對數誤差是非負值，模型越好MSLE越接近零。

5.中值絕對誤差（median absolute error）

median_absolute_error(y_true, y_pred)

中值絕對誤差是非負值，模型越好MSE越接近零。

6.決定係數分數（(coefficient of determination) score）

r2_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

                                                                   

最佳模型的決定係數分數值爲1，常數模型值爲0，模型越差值越小。