- 均方误差(MSE)
[\mathrm{MSE}=\frac{1}{N}\sum_{i=1}^{N}(\hat{y}^{(i)}-y^{(i)})^2 ]
- 均方根误差(RMSE)
[\mathrm{RMSE}=\sqrt{\mathrm{MSE}} ]
- 平均绝对误差 (MAE)
[\mathrm {MAE}=\frac{1}{N}\sum_{i=1}^N||\hat{y}^{(i)}-y^{(i)}|| ]
- (R^2)
[\begin{align} R^2 &=1-\frac{\sum_{i=1}^{N}(\hat{y}^{(i)}-y^{(i)})^2 }{\sum_{i=1}^{N}(\bar{y}-y^{(i)})^2 } \ &=1- \frac{\mathrm{MSE}}{\mathrm{Var{(y)}}} \end{align} ]
sklearn
中的metrics
模块提供了以上的评价指标方法- 平均绝对误差:mean_absolute_error( )
- 均方误差:mean_squared_error( )
- (R^2)得分:r2_score( )
Original: https://www.cnblogs.com/bestwangyulu/p/16391569.html
Author: Wang-YL
Title: 6.线性回归的简单评价指标
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/567330/
转载文章受原作者版权保护。转载请注明原作者出处!