1.2均方誤差 mse
1.3判定係數 r^2^
參考資料
mae:mean absolute error）平均絕對誤差，從圖形上看，mae 就相當於將資料點與擬合之間之間的距離絕對值之和。
mae 缺點：絕對值函式是不可微分的，這不利於使用諸如梯度下降方法，因此我們將使用更常見的 mse 均方誤差。
from sklearn.metrics import mean_absolute_error
from sklearn.linear_model import linearregression
# 已定義x,y
classifier = linerregression(
)classifier.fit(x, y)
guesses = classifier.predict(x)
error = mean_absolute_error(y, guesses)
mse:（mean squared error）均方誤差，從圖形上看，為資料點到擬合直線之間的距離的平方。
mse 和 mae 有侷限性：同乙個演算法模型，解決不同的問題，不能體現此模型針對不同問題所表現的優劣。因為不同實際應用中，資料的量綱不同，無法直接比較**值，因此無法判斷模型更適合**哪個問題，因此我們將使用衡量線性回歸最好的指標: r2.
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import linearregression
# 已定義x,y
classifier = linearregression(
)classifier.fit(x,y)
guesses = classifier.predict(x)
error = mean_squared_error(y,guesses)
如果這個回歸模型不太好，則兩個 mse 將很接近，則r
2r^2
r2將趨於0；
如果這個回歸模型很好，則回歸模型的 mse 應比簡單模型的 mse 小得多，因此r
2r^2
r2將趨於1.
若r 2≤
0r^2\leq0
r2≤0
因此，r
2r^2
r2越接近於1，則說明回歸模型越好；r
2r^2
r2越接近於0，則說明回歸模型越不好。
機器學習 回歸評估指標
1.2 均方誤差 mse 1.3 判定係數 r 2 參考資料 機器學習 目錄 機器學習 分類評估指標 mae mean absolute error 平均絕對誤差，從圖形上看，mae 就相當於將資料點與擬合之間之間的距離絕對值之和。mae 缺點 絕對值函式是不可微分的，這不利於使用諸如梯度下降方法，...
機器學習 評估指標
2.1 錯誤率與精度 m個樣本，有a個分錯。錯誤率 e a m 精度 acc 1 a m 2.2 查準率 查全率和f1 tp 真正例 tn 真反例 fp 假正例 fn 假反例 查準率 p tptp fp 查全率 r tptp fn f1是查準率和查全率的調和平均數 1f 1 12 1p 1r 即 f...
機器學習 模型評估指標
from sklearn.metrics import accuracy score print 準確率 accuracy score y true,y pred,normalize true print 正確分類的數量 accuracy score y true,y pred,normalize ...